論文の概要: Hierarchy or Heterarchy? A Theory of Long-Range Connections for the Sensorimotor Brain

• arxiv url: http://arxiv.org/abs/2507.05888v1
• Date: Tue, 08 Jul 2025 11:22:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:37.94329
• Title: Hierarchy or Heterarchy? A Theory of Long-Range Connections for the Sensorimotor Brain
• Title（参考訳）: 階層性・階層性 : 感覚運動ニューロンに対する長距離接続の理論
• Authors: Jeff Hawkins, Niels Leadholm, Viviane Clay,
• Abstract要約: 本稿では,新皮質における感覚情報と運動情報がどのように処理されるかの新たな解釈を提案する。 提案の鍵となるのは、"Thousand Brains Theory"と呼ばれるもので、これはすべての皮質列が感覚運動学習システムであることを示している。 本研究では,大脳皮質領域と新皮質と視床の間における長距離接続の異なるタイプについて検討することによって,その理論を解説する。
• 参考スコア（独自算出の注目度）: 0.5032786223328559
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the traditional understanding of the neocortex, sensory information flows up a hierarchy of regions, with each level processing increasingly complex features. Information also flows down the hierarchy via a different set of connections. Although the hierarchical model has significant support, many anatomical connections do not conform to the standard hierarchical interpretation. In addition, hierarchically arranged regions sometimes respond in parallel, not sequentially as would occur in a hierarchy. This and other evidence suggests that two regions can act in parallel and hierarchically at the same time. Given this flexibility, the word "heterarchy" might be a more suitable term to describe neocortical organization. This paper proposes a new interpretation of how sensory and motor information is processed in the neocortex. The key to our proposal is what we call the "Thousand Brains Theory", which posits that every cortical column is a sensorimotor learning system. Columns learn by integrating sensory input over multiple movements of a sensor. In this view, even primary and secondary regions, such as V1 and V2, can learn and recognize complete 3D objects. This suggests that the hierarchical connections between regions are used to learn the compositional structure of parent objects composed of smaller child objects. We explain the theory by examining the different types of long-range connections between cortical regions and between the neocortex and thalamus. We describe these connections, and then suggest the specific roles they play in the context of a heterarchy of sensorimotor regions. We also suggest that the thalamus plays an essential role in transforming the pose between objects and sensors. The novel perspective we argue for here has broad implications for both neuroscience and artificial intelligence.
• Abstract（参考訳）: 新皮質の伝統的な理解では、感覚情報は各レベルの処理が複雑化するにつれて、領域の階層を流れる。 情報もまた、異なる接続セットを通じて階層を流れる。 階層モデルには大きな支持があるが、多くの解剖学的接続は標準的な階層的解釈に従わない。 さらに、階層的に配置された領域は、階層構造で起こるような逐次的ではなく、時には並列に応答する。 この他の証拠は、2つの領域が同時に並列かつ階層的に振る舞うことを示唆している。 この柔軟性を考えると、"heterarchy"という言葉は新皮質組織を表現するのにより適した用語かもしれない。 本稿では,新皮質における感覚情報と運動情報がどのように処理されるかの新たな解釈を提案する。 提案の鍵となるのは、"Thousand Brains Theory"と呼ばれるもので、これはすべての皮質列が感覚運動学習システムであることを示している。 カラムは、センサーの複数の動きにセンサー入力を統合することで学習する。 この観点では、V1やV2のような一次領域や二次領域でさえ、完全な3Dオブジェクトを学習し、認識することができる。 このことは、より小さな子オブジェクトからなる親オブジェクトの構成構造を学ぶために、領域間の階層的接続が使用されることを示唆している。 本研究では,大脳皮質領域と新皮質と視床の間における長距離接続の異なるタイプについて検討することによって,その理論を解説する。 これらの関係を記述し, 感覚運動領域のヘテロクラシーの文脈において, それらが果たす特定の役割を示唆する。 また、視床は、物体とセンサーの間のポーズを変換する上で重要な役割を担っていることを示唆している。 私たちがここで主張する新しい視点は、神経科学と人工知能の両方に幅広い意味を持つ。

関連論文リスト

• Hierarchical Residuals Exploit Brain-Inspired Compositionality [3.04478108783992]
  階層的残差ネットワーク(HiResNets)は階層的に異なる層間の長距離残差接続を有する深層畳み込みニューラルネットワークである。 HiResNetsは、皮質下領域から皮質階層全体への直接の接続を複製することで、哺乳類の脳の組織にインスピレーションを与える。
  論文  参考訳（メタデータ） (2025-02-21T23:35:08Z)
• Emergent effects of scaling on the functional hierarchies within large language models [0.0]
  小型モデルによる解析(Llama-3.2-3b; 28層) アイテムレベルのセマンティクスは、最も早く強く表される(層2-7)、次に2-item関係(層8-12)、続いて4-item類似(層10-15) 深いレイヤは、意味のある抽象化なしで、コンテキストウィンドウの初期部分から情報を圧縮する。
  論文  参考訳（メタデータ） (2025-01-13T14:27:39Z)
• Unveiling Secrets of Brain Function With Generative Modeling: Motion Perception in Primates & Cortical Network Organization in Mice [0.0]
  この本は、生成モデリングの応用を通じて神経科学の問題に対処する2つの主要なプロジェクトで構成されている。 プロジェクト#1は、脳の受容の構造を調査します。 プロジェクト#2は、マウス大脳皮質が自然界に分解できることを示している。
  論文  参考訳（メタデータ） (2024-12-25T03:39:18Z)
• BrainMAP: Learning Multiple Activation Pathways in Brain Networks [77.15180533984947]
  本稿では,脳ネットワークにおける複数の活性化経路を学習するための新しいフレームワークであるBrainMAPを紹介する。 本フレームワークは,タスクに関わる重要な脳領域の説明的分析を可能にする。
  論文  参考訳（メタデータ） (2024-12-23T09:13:35Z)
• How Do Transformers Learn Topic Structure: Towards a Mechanistic Understanding [56.222097640468306]
  我々は、トランスフォーマーが「意味構造」を学ぶ方法の機械的理解を提供する 数学的解析とウィキペディアデータの実験を組み合わせることで、埋め込み層と自己保持層がトピック構造をエンコードしていることを示す。
  論文  参考訳（メタデータ） (2023-03-07T21:42:17Z)
• HINT: Hierarchical Neuron Concept Explainer [35.07575535848492]
  人類の階層的認知プロセスに触発された階層的概念を研究する。 本稿では,ニューロンと階層概念の双方向関係を効果的に構築するために,階層型ニューロンコンセプT説明器(HINT)を提案する。 HINTは、概念の暗黙的な階層的関係がニューロンに埋め込まれているかどうかを体系的に定量的に研究することを可能にする。
  論文  参考訳（メタデータ） (2022-03-27T03:25:36Z)
• 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)
• 2D histology meets 3D topology: Cytoarchitectonic brain mapping with Graph Neural Networks [0.8602553195689513]
  細胞構造は脳内の神経細胞の空間的構造を記述する。 脳を皮質下領域と皮質下核に分離することができる。 領域間の境界をマッピングするには 組織学的領域を 顕微鏡でスキャンする必要がある
  論文  参考訳（メタデータ） (2021-03-09T07:09:42Z)
• Towards a Neural Model for Serial Order in Frontal Cortex: a Brain Theory from Memory Development to Higher-Level Cognition [53.816853325427424]
  そこで本研究では,未熟な前頭前野 (PFC) が側頭葉信号の階層的パターンを検出する主要な機能を利用していることを提案する。 我々の仮説では、PFCは順序パターンの形で時間的配列の階層構造を検出し、それらを脳の異なる部分で階層的に情報をインデックスするために利用する。 これにより、抽象的な知識を操作し、時間的に順序付けられた情報を計画するための言語対応の脳にツールを提供する。
  論文  参考訳（メタデータ） (2020-05-22T14:29:51Z)

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。