論文の概要: A Computational Model of Learning Flexible Navigation in a Maze by
Layout-Conforming Replay of Place Cells
- arxiv url: http://arxiv.org/abs/2209.08572v1
- Date: Sun, 18 Sep 2022 14:12:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 19:48:55.062599
- Title: A Computational Model of Learning Flexible Navigation in a Maze by
Layout-Conforming Replay of Place Cells
- Title（参考訳）: 配置適合型プレースセルリプレイによる迷路内フレキシブルナビゲーションの計算モデル
- Authors: Yuanxiang Gao
- Abstract要約: 近年の研究では、睡眠時や運動時における海馬の場所細胞(PC)の再活性化は、障壁を回避できる軌道を描いていることが示されている。
このようなレイアウトに適合したリプレイは、動的に変化する迷路の中での動物の柔軟なナビゲーションの学習を支援する場所細胞の活動に光を当てる。
本稿では,レイアウトコンフォーミングなリプレイを生成する計算モデルを提案し,そのようなリプレイが迷路内の柔軟なナビゲーションの学習をいかに促すかを説明する。
- 参考スコア（独自算出の注目度）: 2.030567625639093
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent experimental observations have shown that the reactivation of
hippocampal place cells (PC) during sleep or immobility depicts trajectories
that can go around barriers and can flexibly adapt to a changing maze layout.
Such layout-conforming replay sheds a light on how the activity of place cells
supports the learning of flexible navigation of an animal in a dynamically
changing maze. However, existing computational models of replay fall short of
generating layout-conforming replay, restricting their usage to simple
environments, like linear tracks or open fields. In this paper, we propose a
computational model that generates layout-conforming replay and explains how
such replay drives the learning of flexible navigation in a maze. First, we
propose a Hebbian-like rule to learn the inter-PC synaptic strength during
exploring a maze. Then we use a continuous attractor network (CAN) with
feedback inhibition to model the interaction among place cells and hippocampal
interneurons. The activity bump of place cells drifts along a path in the maze,
which models layout-conforming replay. During replay in rest, the synaptic
strengths from place cells to striatal medium spiny neurons (MSN) are learned
by a novel dopamine-modulated three-factor rule to store place-reward
associations. During goal-directed navigation, the CAN periodically generates
replay trajectories from the animal's location for path planning, and the
trajectory leading to a maximal MSN activity is followed by the animal. We have
implemented our model into a high-fidelity virtual rat in the MuJoCo physics
simulator. Extensive experiments have demonstrated that its superior
flexibility during navigation in a maze is due to a continuous re-learning of
inter-PC and PC-MSN synaptic strength.
- Abstract（参考訳）: 近年の実験的観察により、睡眠や不動時の海馬胎盤細胞(pc)の再活性化は、バリアを回り、変化する迷路レイアウトに柔軟に対応できる軌道を描いていることが示されている。
このようなレイアウト形成リプレイは、プレース細胞の活動がどのようにして動的に変化する迷路の中で動物の柔軟な航行の学習を支援するかを示す。
しかし、既存のリプレイの計算モデルはレイアウトに適合するリプレイを生成できないため、リニアトラックやオープンフィールドのような単純な環境に制限される。
本稿では,レイアウト共用リプレイを生成する計算モデルを提案し,このようなリプレイが迷路での柔軟なナビゲーションの学習をいかに促進させるかを説明する。
まず,迷路探索中にpc間シナプス強度を学ぶためのヘビアン様規則を提案する。
次に、フィードバック阻害を伴う連続的誘引ネットワーク(CAN)を用いて、場所細胞と海馬介在ニューロン間の相互作用をモデル化する。
プレースセルの活性バンプは、レイアウト調整リプレイをモデル化した迷路の経路に沿って漂う。
胎盤細胞から線条体中脊髄ニューロン(MSN)へのシナプス強度は、新しいドーパミン修飾3因子規則により学習され、位置-逆相関を記憶する。
ゴール指向ナビゲーションの間、canは定期的に動物の位置から経路計画のためのリプレイ軌道を生成し、最大msn活性につながる軌道を動物に追従する。
我々はこのモデルをmujoco物理シミュレータで高忠実度仮想ラットに実装した。
迷路でのナビゲーションにおける優れた柔軟性は、PC間およびPC-MSNシナプス強度の連続的再学習によるものであることが、大規模な実験で示されている。
関連論文リスト
- Offline Adaptation of Quadruped Locomotion using Diffusion Models [59.882275766745295]
本稿では,複数のスキル間の相互補間と学習の限界に同時に対処する,四足歩行への拡散に基づくアプローチを提案する。
これらの機能は、マルチスキルポリシーと互換性があり、ほとんど変更することなく、最小限の計算オーバーヘッドで適用可能であることを示す。
ANYmal四重奏プラットフォーム上でのハードウェア実験によるアプローチの有効性を検証する。
論文 参考訳（メタデータ） (2024-11-13T18:12:15Z) - Manifold Learning via Memory and Context [5.234742752529437]
本稿では,メモリとコンテキストを用いた多様体学習へのナビゲーションに基づくアプローチを提案する。
我々のアプローチは、感覚運動学習の潜在領域におけるナビゲーティングと解釈できるため、ナビゲーションベースと命名する。
本稿では,脳神経系におけるエピソード記憶とセマンティック記憶によるナビゲーション学習の生物学的実装について論じる。
論文 参考訳（メタデータ） (2024-05-17T17:06:19Z) - Bio-inspired spike-based Hippocampus and Posterior Parietal Cortex
models for robot navigation and environment pseudo-mapping [52.77024349608834]
本研究はスパイクに基づくロボットナビゲーションと環境擬似マッピングシステムを提案する。
海馬は環境状態マップの表現を担い、PPCは局所的な意思決定を担当している。
これはバイオインスパイアされた海馬記憶に基づく動的学習を用いた環境擬似マッピングシステムの最初の実装である。
論文 参考訳（メタデータ） (2023-05-22T10:20:34Z) - Trace and Pace: Controllable Pedestrian Animation via Guided Trajectory
Diffusion [83.88829943619656]
本研究では,現実的な歩行者軌跡生成手法と,ユーザ定義目標を達成するために制御可能なフルボディアニメーションを提案する。
我々のガイド付き拡散モデルでは,対象とする経路,速度,特定社会集団による軌道の制約が可能である。
本稿では,アニメーションコントローラのRLトレーニング中に学習した値関数を用いて,拡散を誘導し,特定のシナリオに適した軌道を生成することを提案する。
論文 参考訳（メタデータ） (2023-04-04T15:46:42Z) - Home Run: Finding Your Way Home by Imagining Trajectories [4.6956495676681484]
本稿では,画素ベース観測から学習した生成モデルを用いて,エージェントが地図の新しい,より短い経路を正確に予測する方法を示す。
論文 参考訳（メタデータ） (2022-08-19T08:38:17Z) - Rapid Learning of Spatial Representations for Goal-Directed Navigation
Based on a Novel Model of Hippocampal Place Fields [0.0]
場所セルと再生を組み込んだ自己組織化モデルを構築した。
障害物のある非自明な環境でのワンショット学習の高速化を実証する。
論文 参考訳（メタデータ） (2022-06-05T19:50:33Z) - A Computational Theory of Learning Flexible Reward-Seeking Behavior with
Place Cells [2.030567625639093]
既存の計算モデルは生物学的な妥当性が欠けているか、環境が変化すると行動の柔軟性に欠ける。
本稿では,生物の信頼性を向上し,行動の柔軟性を向上する計算理論を提案する。
我々はこの理論を,MuJoCo物理シミュレータにおいて高忠実度仮想ラットに実装する。
論文 参考訳（メタデータ） (2022-04-22T16:06:44Z) - Can the brain use waves to solve planning problems? [62.997667081978825]
このような課題を解くニューラルネットワークモデルを提案する。
このモデルは、哺乳類の新皮質と海馬に関する幅広い実験的な発見と互換性がある。
論文 参考訳（メタデータ） (2021-10-11T11:07:05Z) - DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。
DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。
実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
論文 参考訳（メタデータ） (2021-04-30T15:30:05Z) - Neuroevolution of a Recurrent Neural Network for Spatial and Working
Memory in a Simulated Robotic Environment [57.91534223695695]
我々は,ラットで観察される行動と神経活動を再現する進化的アルゴリズムを用いて,生物学的に有意なリカレントニューラルネットワーク(RNN)でウェイトを進化させた。
提案手法は, 進化したRNNの動的活動が, 興味深く複雑な認知行動をどのように捉えているかを示す。
論文 参考訳（メタデータ） (2021-02-25T02:13:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。