論文の概要: When and Where: A Model Hippocampal Network Unifies Formation of Time Cells and Place Cells

• arxiv url: http://arxiv.org/abs/2604.00036v1
• Date: Sun, 22 Mar 2026 22:52:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:13.210716
• Title: When and Where: A Model Hippocampal Network Unifies Formation of Time Cells and Place Cells
• Title（参考訳）: 時間と場所: 時間細胞と場所細胞の形成を統一したモデル海馬ネットワーク
• Authors: Qiaorong S. Yu, Zhaoze Wang, Vijay Balasubramanian,
• Abstract要約: いずれのタイプも,海馬CA3を予測コーダとしてモデル化した単一ネットワーク(RNN)の2つの動的状態から出現することを示す。 空間ナビゲーション中、ネットワークは安定したアトラクタのような場所場を生成する。しかし、時間的に構造化された入力に基づいて訓練されたネットワークは、時系列的に拡張されたフィールドを生成し、時間セルを再カプセル化する。 これらの結果は、場所と時間細胞間の共通起源であるが、タスク駆動の違いを示唆している。
• 参考スコア（独自算出の注目度）: 5.408775668519451
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Hippocampal place and time cells encode spatial and temporal aspects of experience. Both have the same neural substrate, but have been modeled as having different functions and mechanistic origins, place cells as continuous attractors, and time cells as leaky integrators. Here, we show that both types emerge from two dynamical regimes of a single recurrent network (RNN) modeling hippocampal CA3 as a predictive autoencoder. The network receives simulated, partially occluded ``experience vectors" containing spatial patterns (location-specific activity sampled during environmental traversal) and/or temporal patterns (correlated activity pairs separated by ``void" intervals), and is trained to reconstruct missing input. During spatial navigation, the network generates stable attractor-like place fields. But trained on temporally structured inputs, the network produces sequentially broadened fields, recapitulating time cells. By varying spatio-temporal input patterning, we observe hidden units transition smoothly between time cell-like and place cell-like representations. These results suggest a shared origin, but task-driven difference, between place and time cells.
• Abstract（参考訳）: 海馬の場所と時間細胞は、経験の空間的および時間的側面をコードする。 どちらも同じ神経基質を持つが、異なる機能と機械的起源を持ち、細胞を連続的な誘引体、時間細胞を漏れやすい積分体として、モデル化されている。 本稿では,海馬CA3を予測オートエンコーダとしてモデル化した単一リカレントネットワーク(RNN)の2つの動的状態から,両タイプが出現することを示す。 ネットワークは、空間パターン(環境トラバーサル中にサンプリングされた位置特異的な活動)と/または時間パターン(「ボイド」間隔で分離された関連アクティビティペア)を含む部分的に閉鎖された「経験ベクトル」を模擬的に受け取り、行方不明な入力を再構築するよう訓練される。 空間ナビゲーション中、ネットワークは安定したアトラクタのような場所場を生成する。 しかし、時間的に構造化された入力に基づいてトレーニングされたネットワークは、時系列的に拡張されたフィールドを生成し、時間セルを再カプセル化する。 時空間入力パターンの変化により,時間セルと位置セルのような表現の間を円滑に遷移する隠れユニットを観察する。 これらの結果は、場所と時間細胞間の共通起源であるが、タスク駆動の違いを示唆している。

関連論文リスト

• Place Cells as Multi-Scale Position Embeddings: Random Walk Transition Kernels for Path Planning [43.129849610367465]
  海馬は、集合的な場所細胞活動を通じて認知地図を符号化することで、空間ナビゲーションをサポートする。 この枠組みでは、内積または同値な埋め込み間のユークリッド距離は、複数のスケールにわたる遷移確率の観点から、位置間の類似性を符号化する。 非負性性と内産物構造の組み合わせは自然に空間性を誘導し、場所細胞の局所的な発火場を原則的に説明する。
  論文  参考訳（メタデータ） (2025-05-20T18:14:11Z)
• Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
  本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。 本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
  論文  参考訳（メタデータ） (2025-03-20T12:28:08Z)
• Time Makes Space: Emergence of Place Fields in Networks Encoding Temporally Continuous Sensory Experiences [0.7499722271664147]
  時間的に連続した感覚エピソードを記憶するために訓練されたネットワークに位置細胞が出現することを示す。 プレースフィールドは海馬現象学の重要な側面を再現する。
  論文  参考訳（メタデータ） (2024-08-11T15:17:11Z)
• RigLSTM: Recurrent Independent Grid LSTM for Generalizable Sequence Learning [75.61681328968714]
  本稿では,対象タスクの基盤となるモジュール構造を利用するために,リカレントな独立したGrid LSTM(RigLSTM)を提案する。 本モデルでは, セル選択, 入力特徴選択, 隠れ状態選択, ソフト状態更新を採用し, より優れた一般化を実現する。
  論文  参考訳（メタデータ） (2023-11-03T07:40:06Z)
• Self-Supervised Temporal Analysis of Spatiotemporal Data [2.2720298829059966]
  地理空間活動の時間的パターンと土地利用のタイプとの間には相関関係がある。 移動活動時系列に基づいて景観を階層化する,新たな自己教師型手法を提案する。 実験により、時間埋め込みは時系列データの意味論的に意味のある表現であり、異なるタスクにまたがって効果的であることが示されている。
  論文  参考訳（メタデータ） (2023-04-25T20:34:38Z)
• Conformal Isometry of Lie Group Representation in Recurrent Network of Grid Cells [52.425628028229156]
  本稿では,リカレントネットワークモデルを用いたグリッドセルの特性について検討する。 グリッドセルの連続的誘引ニューラルネットワークの基盤となる,単純な非線形リカレントモデルに着目する。
  論文  参考訳（メタデータ） (2022-10-06T05:26:49Z)
• Reconstructing shared dynamics with a deep neural network [0.0]
  本稿では,時系列から隠れた共有ダイナミクスを2モジュールのフィードフォワードニューラルネットワークアーキテクチャにより同定する手法を提案する。 この手法は、実験的な介入が不可能な力学系の隠れた構成要素を明らかにする可能性がある。
  論文  参考訳（メタデータ） (2021-05-05T20:55:53Z)
• Temporal Memory Relation Network for Workflow Recognition from Surgical Video [53.20825496640025]
  本研究では, 長期および多スケールの時間パターンを関連づける, エンドツーエンドの時間メモリ関係ネットワーク (TMNet) を提案する。 我々はこのアプローチを2つのベンチマーク手術ビデオデータセットで広範囲に検証した。
  論文  参考訳（メタデータ） (2021-03-30T13:20:26Z)
• Multi-Temporal Convolutions for Human Action Recognition in Videos [83.43682368129072]
  複数の解像度で抽出できる新しい時間・時間的畳み込みブロックを提案する。 提案するブロックは軽量で,任意の3D-CNNアーキテクチャに統合可能である。
  論文  参考訳（メタデータ） (2020-11-08T10:40:26Z)
• CaSPR: Learning Canonical Spatiotemporal Point Cloud Representations [72.4716073597902]
  本研究では,動的あるいは動いた物体の標準点クラウド表現を学習する手法を提案する。 本稿では, 形状再構成, カメラポーズ推定, 連続時間列再構成, 対応推定など, 様々な応用における本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2020-08-06T17:58:48Z)

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。