電子頭脳設計図概要 3290810200-4011810200 版
YAMAGUTIseisei wrote:
:
> http://ncbi.nlm.nih.gov/pmc/articles/PMC5661005/
> http://businesswire.com/news/home/20171115006003/en/Numenta-Publishes-New-Theory-Solve-Mystery-Brain
>
> 階層的時間的記憶理論 ( HTM )
> http://webcache.googleusercontent.com/search?q=cache:numenta.com/assets/pdf/whitepapers/hierarchical-temporal-memory-cortical-learning-algorithm-0.2.1-jp.pdf#nyuumenta
:
>
>
> Google 翻訳
>
>
> 前方神経回路 。 2017; 11：81。
> 公開日 ： 2017年10月25日 。doi： 10.3389 / fncir.2017.00081
> PMCID ： PMC5661005
>
>
> ? 新皮質の柱がどのように世界の構造を学習するかの理論
> 世界の構造を学習する事を新皮質内カラムがどの様に可能にするかの理論
>
>
> Jeff Hawkins 、 * Subutai Ahmad 、 Yuwei Cui
>
> Numenta、Inc.、Redwood City、CA、アメリカ合衆国
>
> 編集者：スイス、チューリッヒ大学フリッツォヘルムチェン
>
> ? 米国シカゴ大学Jason N. MacLeanによるレビュー
> レビュー 米国シカゴ大学Jason N. MacLean Heiko J. Luhmann, Johannes Gutenberg-Universit舩 Mainz, Germany; ルイ・ポンテ・コスタ、スイス、ベルン大学
>
> *対応：Jeff Hawkins moc.atnemunTAsnikwahj
>
> 著者情報? 記事ノート? 著作権およびライセンス情報?
> 受け取った2017 7月13日; 2017 10月10日を受け入れました。
> Copyright ゥ2017 Hawkins、Ahmad、Cui。
> これは、クリエイティブコモンズアトリビューションライセンス（CC BY）の条項に基づいて配布されるオープンアクセスの記事です。
> 元の著者またはライセンサに付与され、本誌の最初の出版物が、受け入れられた学術的実務に従って引用されている場合は、他のフォーラムでの使用、配布または複製が許可されます。
> これらの条件に準拠していない使用、配布または複製は許可されていません。
>
>
>
> Go to:
> 抽象
>
> 新皮質領域は、列と層に編成されています。
> ? 、円柱の機能的構成を示唆している。
> 層の間の接続は、表面に対してほぼ垂直に走り、柱状の機能的構成を示唆している。
> いくつかの層は、カラム間の相互作用を示唆する長距離興奮性横方向接続を有する。
> ? ry がすべての地域に存在しますが、 ry 。
> 同様の接続パターンが全てのリージョンに存在しますが、その正確な役割は謎です。
> ? ry を行う列と層からなる ry 。
> 本稿では、堅牢なオブジェクト学習と認識を行うカラムとレイヤからなるネットワークモデルを提案する。
> 各列は、時間の経過とともに変化する入力を統合して、観察されるオブジェクトの完全な予測モデルを学習します。
> 列を横切る励起的な横方向の接続は、ネットワークが隣接する列の部分的な知識に基づいてオブジェクトをより迅速に推論することを可能にする。
> 列は時間と空間の入力を統合するため、ネットワークは個々のセルの受容野をはるかに超えた複雑なオブジェクトのモデルを学習します。
> 私たちのネットワークモデルは、皮質柱に新しい機能を導入しています。
> ? 本発明者らは、 ry 対する位置の表現が各列の細粒状層内で計算 ry 。
> 我々は、感知されている物体に対するロケーションの表現が各カラムの顆粒下層内で計算されることを提案する。
> 位置信号はネットワークへの入力として提供され、感覚データと結合される。
> モデルには2つのレイヤーと1つ以上の列が含まれています。
> ? シミュレーションでは、Hebbianのような学習規則を使用することで、小さな単一列ネットワークが数百のオブジェクトを認識し、各オブジェクトに数十のフィーチャが含まれていることがわかります。
> シミュレーションでは、ヘッブの法則の様な学習規則を使用する事で、数十のフィーチャが含まれている単一オブジェクトを数百個認識する事を小さな単一カラムのネットワークが学習する事が分かります。
> ? 、感覚受容器の移動が ry 。
> マルチカラムネットワークは、感覚受容器の活動が著しく少ない物体を認識する。
> ? ry の普遍性を考えると、列および領域は、以前に仮定されたよりも強力な認識およびモデリング能力を有することを提案する。
> 新皮質全体にわたる柱状および層状の接続パターンの普遍性から考え、従来の仮定よりも強力な認識およびモデリング能力をカラムとリージョンが有する事を提案する。
> キーワード： 新皮質、皮質柱、皮質層、感覚運動学習、階層的時間記憶
>
>
> Go to:
> 前書き
>
> 新皮質は複雑である。
> 厚さ2.5mm以内には、数十種類のセルタイプ、多数のレイヤー、複雑な接続パターンがあります。
> ? ry 、レイヤ間の情報の柱状流れと、いくつかのレイヤ内の層流を示唆している。
> セル間の接続は、レイヤ間の情報の柱状の流れと、いくつかのレイヤ内の層状の流れを示唆している。
> 幸いにも、この複雑な回路はすべての地域で顕著に保存されており、列と層からなる標準回路が新皮質のすべての基礎を成すことを示唆しています。 ? カノニカル回路の機能を理解することは、 ry 。
> 標準回路の機能を理解する事は、神経科学の重要な目標です。
>
> 過去1世紀にわたって、皮質層および柱の存在を説明するためのいくつかの理論が提案されてきた。
> 1つの理論は、これらの解剖学的構築物が皮質組織における配線の量を最小にすることを示唆している（Shipp、 2007 ）。
> ? いくつかの研究者は、 ry 。
> 何人かの研究者は、解剖学的構造に一致する異なる皮質層の機能的分化が存在すべきであると示唆した（Douglas and Martin、 2004 ）。
> ? 長距離層流接続が ry 。
> 他の研究者は、長距離層流接続が受容野特性の注意に関連した変化に寄与することを提案している（Raizada and Grossberg、 2003 ）。
> 最近の記録技術の進歩により、皮質柱の微小回路における活動の詳細な記録が可能になりました。
> しかし、これらの進歩にもかかわらず、層と列で構成されたニューロンのネットワークの機能は不明なままであり、列に機能を割り当てることは議論の余地がある（Horton and Adams、 2005 ）。
>
> ? なぜ新皮質が列と層で構成 ry 理論がなく、深い学習 ry ネットワークは、それらが生物学的神経組織の重要な機能的側面を欠いている可能性を導入する。
> なぜ新皮質がカラムとレイヤで構成されているのかという理論がなく、深層学習（LeCun et al。、 2015 ）やスパイキング神経ネットワーク（Maass、 1997 ）で使用されているようなほとんど全ての人工神経ネットワークは、これらフィーチャを含んでおらず、生物学的神経組織の鍵となる機能的側面を彼等が欠いている可能性を導入する。
> 新皮質と同じ原則で動作するシステムを構築するには、柱状および層状突起の機能的役割を理解する必要があります。
>
> セルラ層は、それらが形成する接続が異なるが、いくつかの一般的な規則が観察されている。
> ダイレクトフィードフォワード入力を受け取った層のセルは、軸索を局所領域の外側に送信せず、それらの層内に長距離水平結合を形成しない。
> ? 長距離興奮性層内接続される入力層によって駆動される層内の細胞は、その層内で長距離興奮性接続を形成し、また、領域の外側に軸索分枝を送り、領域の出力を構成する。
> レイヤ内長距離興奮性接続を持つ入力レイヤによってそれらレイヤ内で駆動される細胞は、又、軸索分枝をリージョンの外側に送り、リージョンの出力を構成する。
> ? ry 、皮質領域の永続的な特徴である。
> この 2 層入出力回路は、皮質リージョンの永続的な特徴である。
> 最も一般的に認識されるインスタンスには、レイヤ4とレイヤ2/3が含まれます。
> レイヤ4はフィードフォワード入力を受け取ります。
> これは、出力レイヤーであるレイヤ2/3に投影されます（Douglas and Martin、 2004 ; Shipp、 2007 ）。
> 上位レイヤ6は、フィードフォワード入力も受け取る（Thomson、 2010 ）。
> ? ry は2層入出力回路の第2の例になるかもしれない。
> それは出力層である層5（Douglas and Martin、 2004 ; Guillery and Sherman、 2011 ）に投影されるので、層6と層5は2層入出力回路の第 2 のインスタンスになるかも知れない。
> この2層連結モチーフの普及は、それが皮質処理において本質的な役割を果たすことを示唆している。
>
> 本稿では、どのようにして列や層が世界のオブジェクトの構造を学習するかについての理論を紹介する。
> ? ry 、物体に対するセンサの移動が必要であるというセンサ運動理論である。
> 学習と推論では、物体に関連するセンサの活動が必要であるという感覚運動理論である。
> また、理論に基づいたネットワークモデルを紹介する。
> ネットワークは1つ以上の列で構成され、各列には入力層と出力層が含まれています。
> まず、複雑なオブジェクトの構造を1つの列でも学習できることを示します。
> 単一の列は、任意の時点におけるオブジェクトの一部分のみを感知することができるが、列は、対応する感覚器官が動くときに、オブジェクトの複数の部分にさらされる。
> センサの動きごとに入力層の活性化が変化する間、出力層の活性化は安定したままであり、単一の出力表現を入力層の一組の特徴表現に関連付ける。
> したがって、単一の皮質柱は、運動によって完全な物体のモデルを学習することができる。
> これらの物体は、個々の細胞の受容野よりもはるかに大きくなり得る。
>
> ? 次に、複数の列が長距離の内膜間接続 ry 。
> 次に、複数のカラムが長距離の薄膜内接続を介してどのように連携するかを示します。
> いずれの時点においても、各列は、それが観測しているオブジェクトの部分的な知識しか有していないが、隣接する列は、通常、オブジェクトの異なる位置にあるにもかかわらず、同じオブジェクトを感知する。
> 出力層における長距離の興奮性の接続は、複数のカラムがどの物体が観察されているかのコンセンサスに迅速に到達することを可能にする。
> 学習は常に動きを介して複数の感覚を必要とするが、複数の列を用いた推論は、しばしば1回または数回の感覚で生じることがある。
> シミュレーションを通じて、我々のモデルは複雑なオブジェクトの構造を知ることができ、素早く推論することができ、大容量であることを示しています。
>
> ? ry の各列に存在することです。
> 私たちの理論の重要な要素は、位置を表すシグナルの各列に存在します。
> ロケーション信号は、「アロケーション」ロケーションを表し、これは、それが検知されているオブジェクトに関連するロケーションであることを意味する。
> 我々の理論では、入力層は感覚信号と位置信号の両方を受信する。
> ? ry 、入力層は、それがどのような特徴を感知しているのか、そして感覚的特徴が感知されている物体のどこにあるのかを知っている。
> したがって、入力層は、次の両方、それがどのような特徴を感知しているのか、そして感知されている物体のどこの感覚的特徴か、を知っている。
> 出力レイヤーは、場所のフィーチャーのセットとしてオブジェクトの完全なモデルを学習します。
> これは、コンピュータ支援設計プログラムが多次元オブジェクトを表す方法に類似している。
>
> 感覚アレイの異なる部分（例えば、異なる指または網膜の異なる部分）が物体の異なる部分を感知するので、位置信号は、各感覚パッチおよび対応する新皮質の領域について一意に計算されなければならない。
> ? 我々は、位置信号が皮質柱の小粒状層で計算され、層6からの投影を介して入力層4に渡されることを提案する。
> 我々は、位置信号が皮質カラムの顆粒下層で計算され、レイヤ 6 からの投影を介して入力レイヤ 4 に渡される事を提案する。
>
> ? ry の存在を推測したことに注意 ry 。
> アロケーション・ロケーション・シグナルの存在を我々が推測した事に注意することが重要です。
> 私たちはまず、物体を動かしたり触ったりしているときに指がどのように感じるかを予測する方法を考えて、その存在を推測しました。
> ? ry 、位置シグナルがすべての新皮質領域に存在すると考えている。
> しかし、我々は、位置シグナルがすべての新皮質リージョンに存在すると考えている。
> この仮説を支持する経験的証拠を示す。
> ? ry を提案することはできませんが、 ry 、内側の嗅覚野のグリッドセル ry 。
> 位置信号がどのように導出されるかに関する完全なメカニズムを提案する事はまだできませんが、位置を決定し、動きに基づいて新しい位置を予測するタスクは、嗅内野のグリッドセルが行うことと似ています。
> ? ry のメカニズムを提案する。
> グリッドセルは、アロケーションの位置の予測モデルが可能であるという実在の証拠を提供し、位置信号が皮質の列でどのように導出されるかについてのメカニズムを示唆する。
>
> この理論は、解剖学的および生理学的な証拠の大部分と一致している。
> このサポートについて議論し、理論をさらにテストするために使用できるいくつかの予測を提案します。
>
>
> Go to:
> モデル
>
> 動機
>
> 我々の研究は、新皮質におけるニューロンのネットワークがどのように世界の予測モデルを学習するかに焦点を当てています。
> 以前は、自然に変化する感覚配列の予測モデルを学習するネットワーク（Hawkins and Ahmad、 2016 ）を導入しました。
> ? ry 拡張して、新皮質が静的物体の予測モデルをどのように学習しているのか、という質問に対処する。
> 本論文では、このネットワークを拡張して、感覚入力変化が我々自身の活動に伴い起こるに随って新皮質が静的物体の予測モデルをどのように学習しているのか、という関連質問に対処する。
>
> 私たちのモデルを理解するには、単純な思考実験が役立つかもしれません。
> ? 伸ばして、どのようなオブジェクト ry 判断しようとしているとしましょう。
> あなたが黒い箱に手を伸ばして、ここではコーヒーカップですがどのようなオブジェクトが箱に入っているのかを判断しようとしている所を想像して下さい。
> 1本の指だけを使用すると、ワンタッチでオブジェクトを識別することはできません。
> しかし、カップと1つの接触をした後、あなたは指を動かし、別の場所に触れ、次に別の場所に触れます。
> 数回タッチすると、オブジェクトをコーヒーカップとして識別します。
> ? カップを認識することは、指の触覚だけでなく、指がどのように動いているのか、それでカップとの関係も理解する必要があります。
> カップを認識する事は、単に指の触覚だけに留まるのでなく、指がどのように動いているのかの知見を脳が統合する事そしてそれ故にそれがカップのどこと関連するか、をも必要とします。
> ? カップを認識すると、 ry 。
> カップを一旦認識すると、指の追加の動きごとに、移動後に指がカップのどこに置かれるか、指が新しい位置に到着したときに指が感じることの予測が生成されます。
> ? 小さな感覚配列 ry 学ぶことができるかという最初の問題である。
> これは小さな感覚配列（例えば、指の先端）が、感覚と動きに由来する位置情報を統合することによって3次元物体の予測モデルをどのようにして学ぶ事ができるかに対処したい我々の最初の問題である。
>
> 一度に2本の指を使用すると、より少ない動きでカップを識別することができます。
> 5本の指を使用すると、しばしば単一の把握で物体を識別することができます。
> ? ry 、物体を個々に認識するよりも速く認識する方法、そして、
> これは、感覚アレイ（例えば、複数の指の先端）が一緒に働いて、物体を個々に認識するよりも速く認識する方法、我々が望むその対処への二番目の問題です。
>
> 身体的推論は明らかに感覚運動の問題である。
> ? しかし、ビジョンとオーディションは感覚運動のタスクでもあります。
> しかし、視覚と聴覚も又感覚運動のタスクです。
> ? ry 、すべての感覚領域に存在すべきであり、提案されたネットワークモデルは、すべての皮質領域に存在 ry 。
> したがって、感覚運動学習と推論の根底にあるメカニズムは、すべての感覚リージョンに存在すべきであり、提案されたネットワークモデルは、すべての皮質リージョンに存在する詳細な解剖学的および生理学的特性にマッピングされるべきである。
> 共通の皮質回路の説明であるこのマッピングは、我々のモデルの第3の目標である。
>
> モデルの説明
>
> ? ry 、単一層のピラミッドニューロンがどのように ry 。
> 我々のモデルは、単一層の錐体ニューロンがどのようにシーケンスを学習し、予測を行うことができるかを示す以前の研究を拡張している（Hawkins and Ahmad、 2016 ）。
> 現在のモデルは、2つのピラミッド型ニューロン層が1列に並んで構成されています。
> モデルには、これらの列の1つ以上があります（図1A ）。
> 各皮質柱は、感覚入力空間のサブセットを処理し、センサが移動するにつれて世界の異なる部分に曝される。
> 目標は、各列の出力レイヤーを、時間の経過とともに、すべての列にわたって蓄積された感覚と一致するオブジェクト表現に収束させることです。
>
>
> 図1
> （A）私たちのネットワークモデルは、横方向に接続された1つ以上の皮質柱（3つが示されています）を含みます。
> 各列は、異なるセンサアレイ[例えば、異なる指または網膜の隣接領域（図示せず）]からのフィードフォワード感覚入力を受け取る。
> 入力層は、感覚入力を変調位置入力と組み合わせて、物体上の特定の位置にある特徴に対応する疎な表現を形成する。
> 出力層は、入力層からフィードフォワード入力を受け取り、物体（例えば、コーヒーカップ）を表す安定したパターンに収束する。
> 第2の層における収束は、2つの手段によって達成される。
> ? ry 同時に感知する列（上部層の青色矢印）間の変調横方向接続を介して行われる。
> 1つは、センサが対象物に対して移動するにつれて時間の経過と共に積分され、もう1つは、同じ対象物上の異なる位置を同時に感知する複数列（上部層の青色矢印）間の調節横方向接続を介して行われる。
> 出力レイヤーから入力レイヤーへのフィードバックは、入力レイヤーがセンサーの次の移動後にどのフィーチャーが存在するかを予測することを可能にする。
> ? ry 、近位（緑）、基底（青）、および先端 ry 。
> （B）錐体ニューロンは、主要（緑）、基底（青）、及び尖端（紫）の3つのシナプス統合ゾーンを有する。
> ? 樹状突起上の個々のシナプスインプットは体細胞に小さな影響 ry 。
> 基底及び尖端の樹状突起上の個々のシナプスインプットは細胞体に小さな影響を与えますが、樹状突起上の少数のシナプスの同時活性化は樹状突起のスパイクを引き起こす可能性があります（右上）。
> HTMニューロンモデルは、活性樹状突起および複数のシナプス統合ゾーン（下）を組み込んでいる。
> ? 近位樹状 ry 。
> 主要樹状突起上で認識されるパターンは活動電位を生成する。
> 基底および頂端の樹状突起上で認識されるパターンは、活動電位を生成することなく細胞を脱分極させる。
> 脱分極は、ニューロンの予測状態である。
> 我々のネットワークモデルはこれらの特性に依存し、我々のシミュレーションはHTMニューロンを使用する。
> アルゴリズムの詳細なウォークスルーは、補足ビデオに記載されています。
>
>
> 我々のモデルにおける各列の入力層は、感覚入力および位置入力を受け取る。
> 感覚入力は、その入力空間における現在の特徴を表す疎なバイナリ配列である。
> 位置入力は、オブジェクト上のフィーチャの位置を表すスパースバイナリ配列です。
> 新皮質には、受容野が位置情報によって変更されるという多数の観察がある。
> 嗅内皮質の格子細胞も同様の位置コード化問題を解決し、したがって新皮質においてどのように位置が導出されるかのモデルを表す。
> ディスカッションのセクションで、これらのアイデアを詳しく検討します。
> ? ry 有することが必要であること。
> 我々のモデルでは、（a）物体上の特徴の位置が物体の向きとは無関係であること、および（b）近傍の位置が同様の表現を有する事、が必要である。
> 第1の特性は、対象物が身体に対して新規の位置で感知されたとき、システムが正確な予測を行うことを可能にする。
> ? ry 。正確に同じ場所で物体を常に感知する必要はありません。
> 2つ目の特性は雑音耐性を可能にします。物体の感知位置は常に正確に同じである必要はありません。
>
> 以下では、我々のニューロンモデル、層と列の接続性、および感覚と位置入力がオブジェクトを認識するために時間とともにどのように組み合わされるかについて説明します。
> ? ry 、「材料とメソッド」セクション ry 。
> アクティベーションルールと学習ルールの詳細については、「素材とメソッド」セクションを参照してください。
>
> ニューロンモデル
>
> 我々は、ネットワークでHTMモデルニューロンを使用する（Hawkins and Ahmad、 2016 ）。
> ? 、近位、基底および頂端樹状 ry ピラミッド細胞の樹状 ry 。
> HTMニューロンは、主要、基底および尖端樹状突起セグメントが異なる機能を有する錐体細胞の樹状突起特性を組み込んでいる（Spruston、 2008 ）（図1B ）。
> 近接樹状突起上で検出されたパターンは、フィードフォワード駆動入力を表し、セルをアクティブにすることができる。
> ニューロンの基底および頂端の樹状突起で認識されるパターンは、調節的入力を表し、樹状突起のスパイクを引き起こし、即時の活性化なしに細胞を脱分極させる。
> 脱分極した細胞は、同じフィードフォワードパターンを認識する脱分極していない細胞より早く発火し、それによって抑制する。
> ? ry 、近位樹状突起の入力をフィードフォワード入力とし、遠位の基底および ry 。
> この論文の残りの部分では、主要樹状突起の入力をフィードフォワード入力とし、末梢の基底及び尖端の樹状突起の入力を調節入力と呼ぶ。
> ? 異なる樹枝状集積ゾーン ry 。
> 異なる樹状突起集積ゾーンの機能の詳細な説明は、Hawkins and Ahmad（ 2016 ）に見出すことができる。
>
> 入力層
>
> 各皮質柱の入力層は、ミニカラムに配置されたHTMニューロンからなる。
> ここで、ミニカラムは、ニューロンの薄い垂直配列を示す（Buxhoeveden、 2002 ）。
> ? ry （2,400-4,000個の細胞に相当）があります。
> 我々のシミュレーションでは、通常、皮質柱あたり150-250個のミニカラムがあり、ミニカラムあたり16個の細胞（2,400-4,000個の細胞に対応）があります。
> この層のセルのフィードフォワード入力は感覚入力である。
> HawkinsとAhmad（ 2016 ）のように、ミニカラム内のセルは同じフィードフォワードパターンを認識します（Jones、 2000 ）。
> 私たちは、それぞれの感覚的特徴を疎なミニカラムセットにマッピングします。
>
> ? 入力層内のセルの基本変調入力は、 ry 。
> 入力層内のセルの基底調節入力は、オブジェクト上の位置を表す。
> 学習中、現在の位置信号を学習するために、各アクティブなミニカラムの1つのセルが選択されます。
> ? ry 細胞を阻害する。
> 推論の間に、調節位置入力およびフィードフォワード駆動入力の両方を認識する細胞は、ミニカラム内の他の細胞を抑制する。
> ? ry 特定の感覚機能に固有の疎な表現を形成します。
> このようにして、入力レイヤーは、オブジェクト上の特定の場所で特定の感覚フィーチャに固有の疎な表現を形成します。
>
> 出力層
>
> 出力レイヤーにもHTMニューロンが含まれています。
> 出力レイヤのアクティブなセルのセットはオブジェクトを表します。
> 出力レイヤー内のセルは、入力レイヤーからのフィードフォワード・ドライバー入力を受け取ります。
> ? ry 表すセルのセットは、複数の動きにわたってアクティブ ry 。
> 学習中、オブジェクトを表すセルのそのセットは、複数の運動活動に亘ってアクティブなままであり、入力レイヤー内の連続するパターンを認識することを学習する。
> ? ry 、入力レイヤ内の関連するフィーチャ/位置表現のセットとを含む。
> したがって、オブジェクトは、出力レイヤ内の表現と、入力レイヤ内の関連付けられたフィーチャ/位置表現のセットとから成る。
>
> 出力層内のセルへの変調入力は、長距離横方向接続を介して、列内および隣接する列の両方から、同じ対象物を表す他の出力セルから来る。
> 入力層と同様に、変調入力はバイアスとして働く。
> ? ry 調節入力で細胞を獲得し、阻害する。
> より多くの調節入力を有する細胞は、より少ない調節入力で勝利し細胞を抑制する。
> 同じオブジェクトを表すセルは、互いに積極的にバイアスします。
> ? ry 、出力層は、変調のために時刻t + 1でオブジェクトBの表現に収束する時刻tからの入力。
> したがって、列が時刻tでオブジェクトAおよびBのフィードフォワードをサポートし、時刻t + 1でオブジェクトBおよびCのフィードフォワードサポートを有する場合、出力層は、時刻 t からの調節入力に伴って時刻 t + 1 でオブジェクトBの表現に収束する。
> 同様に、列1がオブジェクトAおよびBのフィードフォワードをサポートし、列2がオブジェクトBおよびCのフィードフォワードをサポートする場合、両方の列の出力レイヤーはオブジェクトBの表現に収束します。
>
> フィードバック接続
>
> 入力層のニューロンは、出力層からフィードバック接続を受け取ります。
> 対象物を表すフィードバック入力は、動きによる予想される新しい位置を表す変調入力と組み合わされて、入力層が次の感覚入力をより正確に予測することを可能にする。
> 我々のモデルでは、フィードバックはオプションのコンポーネントです。
> 含まれていると、感覚的な騒音と場所のあいまいさに対する堅牢性が向上します。
>
> 例示的な例
>
> 図2は、単一の皮質柱の2つの層がどのように協調して、共有された特徴（この場合は立方体とくさび形）を有する物体の曖昧さを解消するかを示す。
> f 1とラベル付けされた第1の感知された特徴位置は、いずれかの物体の一部であり得るので、あいまいである。
> したがって、出力レイヤーは、その場所にそのフィーチャーを持つオブジェクトごとに1つずつ、表現の結合を呼び出します。
> 出力レイヤーから入力レイヤーへのフィードバックは、セルを予測状態（赤色で表示）にします。
> 予測されたセルは、出力レイヤでアクティブなオブジェクトのセットと一致するすべてのフィーチャ位置のセットを表します。
> したがって、赤色セルは、これまでの感覚と一致するネットワークの予測を表します。
> f 2とラベル付けされた第2の感覚では、これらの予測および新しい特徴と一致するセルのサブセットのみがアクティブになる。
> 各後続の感覚は、単一のオブジェクトのみが出力レイヤーに表示されるまでセットを絞り込みます。
> アルゴリズムの詳細なウォークスルーは、 補足ビデオに記載されています。
>
>
> 図2
> ? ry 接触中の単一の列の入出力レイヤーにおけるセルラーアクティベーション。
> オブジェクトの一連の接触中における入力と出力のレイヤーでの単一カラムのセルラー活性化。
> ? ry （キューブとウェッジ）。
> （A） 2つのオブジェクト（キューブ形と楔形）。
> 各オブジェクトについて、3つの特徴 - 位置の対が示されている（ f 1およびf 3は、立方体およびくさびの両方に共通である）。
> 各オブジェクトに関連付けられた出力レイヤ表現、および各フィーチャの感覚表現が示されている。
> （B）立方体上の3回の接触のシーケンス（上から下への時間順）に起因する両方の層における細胞の活性化。
> 最初のタッチ（f1）は、そのフィーチャ - ロケーション対に対応する入力レイヤ内のアクティブセルのセット（入力レイヤの黒いドット）をもたらす。
> 出力レイヤー内のセルは、フィードフォワード接続（黒い矢印）によってこの表現を受け取ります。
> 入力があいまいなので、出力レイヤーはキューブとウェッジの両方の結合である表現を形成します（出力レイヤーの黒い点）。
> 出力レイヤーから入力レイヤーへのフィードバック（赤い矢印）により、両方の潜在的なオブジェクトに関連付けられたすべてのフィーチャー - ロケーションのペアが予測されます（赤い点）。
> 2回目のタッチ（f2）は、入力レイヤーにアクティブセルの新しいセットをもたらします。
> f2はウェッジと共有されないため、出力レイヤーの表現はキューブのみに縮小されます。
> 入力層内の予測されたセルの集合も、立方体の特徴 - 位置の対に縮小される。
> 3番目のタッチ（f3）はそれ自身ではあいまいですが、過去の一連のタッチや出力レイヤーの自己補強のために、出力レイヤー内のオブジェクトの表示はキューブ固有のままです。
> 示されたセルの数は、説明を分かりやすくするために現実的には小さいことに注意してください。
>
>
> 学習
>
> ? 学習は単純なヘビースタイルの適応に基づいています。 ry 。
> 学習は単純なヘブスタイルの適応に基づいています。細胞が発火すると、以前に活動していたシナプスが強化され、非アクティブなシナプスは弱くなります。
> ? ほとんどの他の神経モデルには2つ ry 。
> 他の殆どのニューラルモデルとは 2 つの重要な違いがあります。
> 最初に、学習は個々の樹状突起セグメントに分離される（Stuart andH舫sser、 2001 ; Losonczy et al。、 2008 ）。
> 第二に、モデルニューロンは、シナプスの可能性のあるプールからシナプスを成長させたり除去したりすることによって学習する（Chklovskii et al。、 2004 ）。
> ? 我々は、「永続性」と呼ばれる変数 ry 。
> 我々は、我々が「永続性」と呼ぶ変数を増加または減少させることによって、シナプスの成長および除去をモデル化する。
> ? ry 基づいてバイナリである。
> シナプスの有効性または体重は、永続性の閾値に基づくバイナリである。
> ? ry 、シナプスの重量とは無関係に調整することができる。
> したがって、システムがどのくらい速く学習し、どれくらいの時間記憶が保持されるかは、シナプスの重み付けとは無関係に調整することができる。
> 生物学的モチベーションの完全な記述はHawkins and Ahmad（ 2016 ）に見ることができる。
> ry 。 正式な学習規則は「材料と方法」のセクションで説明されています。
> 以下では、これらの原則がネットワークの学習を可能にする方法を簡単に説明します。 正式な学習規則は「素材と方法」のセクションで説明されています。
>
> 入力レイヤーは、特定のフィーチャー/ロケーションの組み合わせを学習します。
> 現在の特徴/位置の組み合わせが以前に学習されていない（セルが予測されない）場合、各アクティブミニカラムからの1つのセルが勝者として選択され、アクティブになる。
> ? 獲得したセルは、ランダム初期条件を介して最良の変調入力マッチを有するセル ry 。
> 勝利セルは、ランダム初期状態を介して調節入力にベストマッチするセルとして選択される。
> 各勝者セルは、現在の位置入力との変調接続を形成し、強化することによって学習する。
> 位置入力が再び遭遇する場合、対応する細胞のセットが予測される。
> 予想される感覚特徴が到着すると、予測された細胞が最初に発火し、対応する調節入力が強化される。
> ? 勝った細胞の頂端の樹状突起は、 ry 。
> 勝った細胞の尖端樹状突起は、出力層の活性細胞への接続を形成する。
>
> 出力レイヤーは、オブジェクトに対応する表現を学習します。
> ? ネットワークが最初に新しいオブジェクトに出会うと、新しい ry セルの希薄なセットが選択されます。
> ネットワークが新しいオブジェクトと最初に出会った時、新しいオブジェクトを表すために、出力レイヤ内のセルの疎なセットが選択されます。
> これらのセルは、システムが異なる場所の物体を感知している間、アクティブのままである。
> 入力層内の変化する活性セルと出力層内の変化しない活性セルとの間のフィードフォワード接続が連続的に強化される。
> ? ry フィーチャ/位置表現 ry 。
> したがって、各出力セルは、入力層内の複数のフィーチャ/位置の表現に亘ってプールされる。
> 出力層の細胞上の樹状突起セグメントは、それ自身のカラム内の活性細胞および近くのカラム内の活性細胞への側方調節的結合を形成することによって学習する。
>
> トレーニング中は、新しいオブジェクトに切り替えるときに出力レイヤーをリセットします。
> ? 脳には、感覚を伴わずに十分に長い時間を含む、リセットに相当するいくつかの方法があります。
> 脳には、リセットに相当するいくつかの方法があり、十分に長い時間の間に感覚活動を伴わない方法も含まれます。
> ? 、ランダムな初期接続性を介して ry 。
> 新しいオブジェクトが学習されるとき、ランダムな初期接続状態を介して最良一致に基づいてオブジェクト表現を選択する。
>
>
> Go to:
> シミュレーション結果
>
> このセクションでは、ネットワークモデルのパフォーマンスを示すシミュレーション結果について説明します。
> ネットワーク構造は、先に説明したように、それぞれが2つの層を有する1つ以上の皮質柱からなる（図1）。
> ? 第1組のシミュレーションでは、 ry 。
> シミュレーションの最初のセットでは、各列の入力層は150個のミニカラムから成り、ミニカラム当たり16個のセルがあり、合計2,400個のセルがある。
> ? ry 、ミニ列には配置されません。
> 各列の出力レイヤーは、4,096個のセルで構成され、ミニカラムには配置されません。
> ? 出力層は、各セルの遠位基底樹枝状突起 ry 列間および列内接続を含む。
> 出力レイヤは、各セルの末梢基底樹状突起を介したカラム間及びカラム内接続を含む。
> ? ry また、同じ列内の入力レイヤーの頂点樹状突起にも投影されます。
> 出力レイヤーは又、同カラム内の入力レイヤーの樹状突起にもフィードバック投影されます。
> すべての接続は、トレーニングプロセス中に継続的に学習され調整されます。
>
> ? ry ライブラリ上でネットワークを ry 。
> 我々は、最大500個のオブジェクトのライブラリ上ネットワークを訓練した（図2A ）。
> 各オブジェクトは、5?30個の可能な特徴のライブラリから選択された10個の感覚特徴からなる。
> 各フィーチャには、オブジェクト上の対応する場所が割り当てられます。
> ? ry 共有されます。
> 各オブジェクトは固有のフィーチャ/ロケーションのセットで構成されますが、任意のフィーチャまたはフィーチャ/ロケーションは複数のオブジェクトにわたって共有される事に注意。
> ? ry を明瞭に識別するのには不十分である。
> したがって、単一の列による単一の感覚は、オブジェクトを非曖昧に識別するのには不十分である。
>
> 出力レイヤ内のアクティブなセルのセットは、ネットワークによって認識されるオブジェクトを表します。
> 推論の間に、ネットワークは、出力レイヤーの表現が、 ry 、オブジェクトを明白に認識すると言う。
> 推論に伴い、出力レイヤーの表現が、正しいオブジェクトの表現と大きく重なり、他のオブジェクトの表現と重ならないとき、オブジェクトをネットワークが明白に認識すると言う。
> ? ry、「材料と方法」を参照してください。
> オブジェクトの構築と認識の詳細については、「資料と方法」を参照してください。
>
> 以下の段落では、まず、単一および複数列ネットワークを使用したネットワークコンバージェンスについて説明します。
> 次に、ネットワークの容量について説明します。
>
> ネットワークコンバージェンス
>
> ? ry 表現は、感知された特徴および位置の最近のシーケンスと一致する。
> 先に議論したように、出力層における表現は、特徴および位置の最近感知されたシーケンスと一致する。
> 複数の出力表現は、感知された特徴および位置が1つの特定の物体に固有でない場合に同時にアクティブになる。
> ? オブジェクトは移動によって探索されるので、出力は単一のオブジェクト ry 。
> オブジェクトは動きによって探索され、出力は単一オブジェクト表現に収束します。
> 図3は、1列ネットワークと3列ネットワークの収束速度を示しています。
> 一緒に働く複数の列は認識に必要な感覚の数を減らします。
>
>
> 図3
> （A）出力層は、各オブジェクトを疎パターンで表現する。
> ? 私たちは最初のオブジェクトでネットワークをテストしました。
> 私達はネットワークを初めてのオブジェクトでテストしました。
> ? （B）単一の列ネットワークの出力レイヤーにおけるアクティビティがオブジェクトに接触するときのアクティビティ。
> （B）オブジェクトに接触する時の単一カラムネットワークの出力レイヤーにおけるアクティビティ。
> ネットワークは11回の感覚の後に収束する（赤い四角形）。
> ? （C）3つの列のネットワークの出力レイヤーで、オブジェクトに接触するときのアクティビティ。
> （C）オブジェクトに接触する時の 3 カラムネットワークの出力レイヤーでのアクティビティ。
> ? ry は、4つの感覚（赤い矩形）の後にはるかに速く収束します。
> ネットワークは遥かに速く、4つの感覚（赤い矩形）の後に収束します。
> ? 両方の（B、C）において、第1欄の表現は、収束後の目標物体と同じである。
> 両（B、C）において、カラム 1 の表現は、目標物体の表現と収束後同じである。
>
>
> ? 図4Aでは、トレーニングセット内のオブジェクトの総数の関数としてオブジェクトを明確に認識するのに必要な感覚の平均数をプロットしている。
> 図4Aでは、オブジェクトを曖昧でなく認識するのに必要な感覚の平均数をトレーニングセット内のオブジェクトの総数の関数としてプロットしている。
> 予想されるように、必要な感覚の数は、格納されたオブジェクトの総数とともに増加する。
> しかし、すべての場合、ネットワークは最終的にすべてのオブジェクトを正しく認識します。
> 感覚の数は、オブジェクトのセット間の全体的な混乱にも依存します。
> ? よりユニークなオブジェクトであればあるほど、 ry 。
> オブジェクトがよりユニークであればあるほど、ネットワークはそれらをあいまいにすることがあります。
>
>
> 図4
> ? ry オブジェクトの集合が増加するにつれて、単一の列ネットワークを持つオブジェクトを明白に認識 ry 。
> （A）学習されたオブジェクトのセットとしての単一カラムネットワークの増加に伴う、オブジェクトを曖昧でなく認識するのに必要な感覚の平均数。
> 私たちは1から100までのさまざまな数のオブジェクトのモデルを訓練し、単一のオブジェクトを明白に認識するのに必要な平均感覚数をプロットします。
> ? ry 構築される一意の特徴の総数 ry 。
> 異なる曲線は、オブジェクトが構築されるに当ってのユニークフィーチャの総数によって収束がどのように変化するかを示す。
> すべての場合において、ネットワークは最終的にオブジェクトを認識する。
> ? 認識は、特徴のセットがより大きい場合、より少ない感覚を必要とする。
> 認識には、フィーチャセットがより多い場合、より少ない感覚を必要とする。
> ? （B）列の集合が増加するにつれて、マルチカラムネットワークを有するオブジェクトを明確に認識するのに必要な観測の平均数。
> （B）カラムのセットとしてのマルチカラムネットワークの増加に伴う、オブジェクトを曖昧でなく認識するのに必要な観測の平均数。
> 各ネットワークを100個のオブジェクトで訓練し、オブジェクトを明白に認識するのに必要な感覚の平均数をプロットします。
> 必要な感覚の数は、列の数が増加するにつれて急速に減少し、最終的に1に達する。
> ? （C）ロケーション（青色）、位置なし（オレンジ色）、および1列センサーセンサーネットワーク（緑色）を有する理想的な観察者モデルの感覚数の関数として明白に認識できる物体の割合。
> （C）理想的な観察者モデルでのロケーション（青色）あり、なし（オレンジ色）、及び 1 カラム感覚運動ネットワーク（緑色）での、感覚数の関数としての曖昧でなく認識できる物体の割合。
>
>
> ? 図4Bは、ネットワーク内の皮質柱の数の関数として物体を認識するのに必要な感覚の平均数を示す。
> 図4Bは、物体を認識するのに必要な感覚の平均数をネットワーク内の皮質柱の数の関数として示す。
> このグラフは、複数の列を含む利点を示しています。
> 必要とされる感覚の数は、列の数が増えるにつれて急速に減少する。
> したがって、単一列ネットワークはオブジェクトを認識することができますが、複数列ネットワークははるかに高速です。
> 十分な数の列を用いると、ネットワークは、非常に混乱しているオブジェクトでさえ、単一の感覚で曖昧さを解消する。
> ? ry 各列は、他の列ごとに横方向 ry 。
> この実験では、各カラムは、他のカラムから横方向の入力を受け取ります。
>
> ? ry 我々は、感覚の数の関数として明白に認識され得る物体の割合（「精度」）をプロットする。
> 図4C において、我々は、曖昧でなく認識され得る物体の割合（「精度」）を感覚の数の関数としてプロットする。
> ? 単一列のネットワークを、場所の有無にかかわらず理想的なオブザーバーモデルと比較します（「材料と方法」を参照）。
> 単一カラムネットワークを、位置情報のありとなしに付いて理想的なオブザーバーモデルと比較します（「資料と方法」を参照）。
> 我々のモデルの性能は、場所を持つ理想的な観察者に近い。
> ? このモデルでは、物体を認識するための位置がなくても、モデルにはもっと多くの感覚があり、いくつかの物体は区別できません（平均感覚数をプロットするとグラフには表示されません）。
> このモデルには物体を認識する為の、位置情報はなく、もっと多くの感覚はあり、そして、いくつかの物体を区別する事ができず（平均感覚数をプロットするとグラフには表示されません）、 位置情報の重要性を強調します。
> また、マルチカラムネットワークは、感覚ごとに複数のフィーチャを同様に観察する理想的なオブザーバモデルに近いパフォーマンスを示しています（補足図9 ）。
> ? ry モデルの近くで動作することを示す。
> まとめると、これらの結果は、本発明者らの生物学的に誘導された感覚運動ネットワークが、収束の正確さおよび速度に関して非生物学的理想モデルに近い動作をする事を示す。
>
> 容量
>
> ここに示したネットワークモデルでは、各皮質柱は物体の予測モデルを構築する。
> 重要な質問は、1つの列が表すことができるオブジェクトの数です。
> また、より多くの列を追加すると容量に影響はありますか？
> このセクションでは、正確に認識できるオブジェクトの数に対するさまざまなパラメータの影響を調べます。
> ? 容量は、混乱せずにネットワークが ry 。
> 容量は、ネットワークが混乱せずに学習し認識できる最大オブジェクト数と定義します。
> 容量に影響を及ぼす4つの異なる要因、すなわちネットワークの表現空間、入力層のミニカラムの数、出力層のニューロンの数、および皮質柱の数を分析する。
> 我々の分析では、実験データに報告された数値と同様の数値を使用した。
> 例えば、皮質柱は、直径が300μmから600μmまで変化する（Mountcastle、 1997 ）。ミニカラムの直径は30?60μmの範囲にあると推定される（Buxhoeveden、 2002 ）。
> 私たちの分析とシミュレーションでは、皮質柱が150?250のミニカラムを含むと仮定しました。
>
> 第1に、神経表現は、入力層および出力層が多数の固有の特徴/位置およびオブジェクトを表すことを可能にしなければならない。
> 図2に示すように、両方のレイヤーは疎な表現を使用します。
> 疎な表現は、非常に多数の要素の堅牢な表現を可能にするいくつかの魅力的な数学的性質を有する（Ahmad and Hawkins、 2016 ）。
> ? With a network of 150 mini-columns, 16 cells per mini-column, and 10 simultaneously active mini-columns, we can uniquely represent
> ? Unknown node type: span
> ? sensory features.
> With a network of 150 mini-columns, 16 cells per mini-column, and 10 simultaneously active mini-columns, we can uniquely represent (15010)~1015 sensory features.
> ? 150個のミニカラム、16個のミニカラム、および10個の同時にアクティブなミニカラムのネットワークにより、我々は、
> ? 感覚の特徴。
> 150個のミニカラム、16個のミニカラム、および10個の同時にアクティブなミニカラムのネットワークにより、我々は、 (15010)~1015 の感覚フィーチャを表現できる。
> ? 各機能は、16の固有の固有の場所で表現できます。
> 各フィーチャは、16^10 の固有のロケーションで表現できます。
> ? Similarly, the output layer can represent
> ? Unknown node type: span
> ? unique objects, where n is the number of output cells and w is the number of active cells at any time.
> ? 同様に、出力層は、
> ? 一意のオブジェクトであり、 nは出力セルの数であり、 wは任意の時間におけるアクティブセルの数である。
> 同様に、出力層は、 nを出力セルの、 wをアクティブセルの、任意の時間における数として、一意のオブジェクトを表現できる。
> ? ry 、2つのフィーチャ/位置のペアまたは2つのオブジェクトの表現が、 ry ビット（補足的なマテリアル）を持つことはほとんどありません。
> そのような大きな表現空間では、2つのフィーチャ/位置ペアまたは2つのオブジェクトの表現が、偶然にかなりの数のオーバーラップするビットを持つことはほとんどありません（補足資料）。
> したがって、ユニークに表現することができるオブジェクトおよびフィーチャロケーションペアの数は、ネットワーク容量の制限要因ではありません。
>
> 学習されたオブジェクトの数が増加すると、出力レイヤのニューロンは、入力レイヤのニューロンへの接続数が増加します。
> 出力ニューロンがあまりにも多くの入力ニューロンに接続すると、それは訓練されていないパターンによって誤って活性化される可能性があります。
> したがって、ネットワークの容量は出力レイヤーのプール能力によって制限されます。
> 数学的分析は、単一の皮質カラムがこの限界に達する前に数百のオブジェクトを保存できることを示唆しています（補足資料を参照）。
>
> ? ry するために、私たちはますます多くのオブジェクトと認識精度をプロットしてネットワークを訓練しました。
> 実際のネットワーク容量を測定する為に、私たちはオブジェクト数を増やしてネットワークを訓練し認識精度をプロットしました。
> 出力層に4,096セル、入力層に150個のミニカラムがある単一の皮質欄では、認識精度は400オブジェクトまで完璧なままです（図5A、青）。
> 学習されたオブジェクトの数がネットワークの容量を超えると、検索精度が低下します。
>
>
> 図5
> 認識の精度は、学習されたオブジェクトの数の関数としてプロットされます。
> （A）入力層のミニカラムの数に対するネットワーク容量。
> 出力セルの数は4,096に保たれ、40個のセルがいつでもアクティブになります。
> （B）出力層のセル数に対するネットワーク容量。
> アクティブな出力セルの数は40に保持されます。
> 入力層のミニカラムの数は150です。
> （C）1つ、2つ、および3つの皮質欄（CC）のネットワーク容量。
> 入力層のミニカラムの数は150であり、出力セルの数は4096である。
>
>
> ? 増加することが期待されます。
> 数学的分析から、入力層と出力層のサイズが増加するにつれてネットワークの容量が増加する事が期待されます。我々はシミュレーションを通じて再びテストした。
> アクティブセルの数を固定すると、入力層のミニカラムの数とともに容量が増加します（図5A）。
> これは、入力層のセルが多くなると、活性化の希薄さが増し、出力セルが誤って活性化される可能性が低くなるためです。
> 入力層のサイズが固定されている場合（図5B）、出力セルの数によって容量も大幅に増加します。
> これは、使用可能な出力セルがさらに多い場合、出力セルあたりのフィードフォワード接続の数が減少するためです。
> 個々の列のサイズが固定されている場合、列を追加すると容量が増加する可能性があります（図5C）。
> ? ry 限られています。
> これは、個々の皮質柱がその容量限界に達すると、出力層の横方向の接続が入力の曖昧さを緩和するのに役立つからです。しかし、この効果は限られています。カラム数増による効果増は急激に減少します。
>
> 上記のシミュレーションは、単一の皮質柱が数百の物体をモデル化して認識することが可能であることを示している。
> 容量は入力層と出力層のセルの数によって最も影響を受けます。
> 列の数を増やすと、容量にはほとんど影響しません。
> 複数列の主な利点は、オブジェクトを認識するのに必要な感覚の数を劇的に削減することです。
> ? 1列のネットワークは、わらを使って ry 。それはできますが、ゆっくりと難しいです。
> 1 カラムのネットワークでは、ストローを通して世界を見るようなものです。 それはできますが、遅くそして困難です。
>
> ノイズ耐性
>
> 我々はノイズに対する単一列ネットワークの頑健性を評価した。
> ネットワークが一連のオブジェクトを学習した後、さまざまな量のランダムノイズを感覚入力と位置入力に追加しました。
> このノイズは、入力のアクティブビットに全体的なスパース性を変更することなく影響を与えました（「マテリアルとメソッド」を参照）。
> 30回の接触後の認識精度をノイズの関数としてプロットした（図6A）。
> ? 知覚入力 ry 。
> 感覚入力には最大20％のノイズ、位置入力には最大40％のノイズが認識精度に及ぼす影響はありません。
> 我々はまた、収束速度が位置入力における雑音の影響を受けることも見出した（図6B）。
> 場所の入力が騒々しいときは、オブジェクトを認識するのに多くの感覚が必要でした。
>
>
> 図6
> ノイズに対する単一列ネットワークのロバスト性。
> （A）認識精度は、感覚入力（青色）および位置入力（黄色）における雑音量の関数としてプロットされる。
> （B）感覚数の関数としての認識精度。
> 色付きの線は、位置入力のノイズレベルに対応します。
>
>
> 移動先：
> 生物学へのマッピング
>
> ? ry 少なくとも1回、おそらく2回（層6aおよび5）に存在 ry 。
> 解剖学的な証拠は、上記の感覚運動推定モデルが各列（層4および2/3）に少なくとも 1 例、恐らく 2 例（層 6a および 5 ) が存在することを示唆している。
> 我々はこれらの層を記述するためによく使われる用語を採用する。
> ? これは、細胞集団の接続性および生理学が重要であるため、便利である。
> これは、接続性および細胞集団の生理学が重要である為、便利である。
> ? 私たちが ry 、実際に皮質組織 ry 。
> 私達が別々の層に存在すると記述している細胞は、実際には皮質組織に混在しているかもしれません（Guy and Staiger、2017）。
>
> 層4および2/3
>
> モデルの主なインスタンスには、図7Aに示すようにレイヤー4とレイヤー2/3が含まれます。
> L4とL2 / 3で明らかになった以下の特性は、我々のモデルと一致する。
> ? ry 、感覚的な「コア」領域（例えば、 ry 。
> L4細胞は、感覚的な「コア」リージョン（例えば、LGN; Douglas and Martin、2004）からの直接の視床入力を受ける。
> 近位樹状突起上へのこの入力は、ドライバー特性を示す（Viaene et al。、2011a）。
> L4セルは、その層内で長距離接続を形成しない（Luhmann et al。、1990）。
> ? ry 、L2 / 3（Lohmann and Roger、1994; Feldmeyer et al。、2002; Sarid et al。、2007）の細胞に投射して活性化し、 ry 。
> L4細胞は、L2 / 3 の細胞に投射し活性化させ ( Lohmann and Roger、1994; Feldmeyer et al。、2002; Sarid et al。、2007 ) 、L2 / 3からのフィードバックをを受ける（Lefort et al。、2009; Markram et。 al。、2015）。
> ? L2 / 3細胞はその層内で長距離を投射し（Stettler et al。、2002; Hunt et al。、2011）、皮質柱の主要な産物でもある ry 。
> L2 / 3細胞は、その層内で長距離投射を行い（Stettler et al。、2002; Hunt et al。、2011）又それは皮質カラムの主要な出力でもある（Douglas and Martin、2004; Shipp、2007）。
> L2 / 3活性化はL4活性化に続くことが知られている（Constantinople and Bruno、2013）。
>
>
> 図7
> 実験的に観察された皮質接続への感覚運動推論ネットワークのマッピング。
> 矢印は文書化された経路を表す。
> （A）ネットワークの最初のインスタンス。 L4は入力層、L2 / 3は出力層である。
> 緑色の矢印は、視床 - 皮質（TC）中継細胞からL4、L2 / 3皮質皮質（CC）出力細胞へのフィードフォワード経路である。
> ? ry （青い矢印）に投影されます。 これらの予測は、 ry 。
> L2 / 3のセルも、L4と隣接する列（青い矢印）にフィードバック投影されます。 これらの投影は、予測として機能する特定の細胞セットを脱分極させる（本文参照）。
> ? ry 、L6aに由来し、L4細胞の基底遠位樹状突起で終結する位置シグナルである。
> 赤い矢印は、 L6a に由来し、 L4 細胞の基底末梢樹状突起で終結するロケーション信号である。
> （B）可能な第2のネットワークの例; L6aは入力層、L5は出力層である。
> ネットワークの両方のインスタンスは、同じTC軸索からのフィードフォワード入力を受信するので、2つのネットワークは並列に動作します（Constantinople and Bruno、2013; Markov et al。、2013）。
> 位置信号（LOC）の起源および導出は未知であるが、他の領域からの入力だけでなくローカル処理も含まれる可能性が高い（テキストおよび議論を参照）。
> 上位ネットワークの出力は直接皮質皮質（CC）接続を行い、下位ネットワークの出力は視床中継セルに投影してから次の領域に投影します。
>
>
> このモデルは、位置の表現が入力層の基底遠位樹状突起に入力されると予測する。
> ? ry 要件は、位置信号が感覚入力の到着に先行しなければならない予測信号であることである。
> 我々のモデルのタイミング要件は、予測信号たる位置信号が感覚入力の到着に先行せねばならない事である。
> これは、図7Aの赤線で示されています。
> L4シナプスの約45％はL6aの細胞に由来する（Binzegger et al。、2004）。
> ? ry 基底樹状突起に接触する強い選択性を示すことが見出され ry 。
> 軸索末端は基底樹状突起に接続する強い選択性を示す事が発見され（McGuireら、1984）、L6a細胞の活性化はL4細胞の弱い興奮を引き起こした（Kim et al。、2014）。
> したがって、上部モデルに必要な位置表現はL6aから来ることを提案する。
>
> 層6aおよび層5
>
> 図7Bに示すように、モデルのもう1つの潜在的なインスタンスがレイヤー6aとレイヤー5にあります。
> L6aとL5で明らかになった以下の特性は、我々のモデルと一致する。
> L6a細胞は、感覚「コア」領域（例えば、LGN; Thomson、2010）からの直接の視床入力を受ける。
> この入力は、ドライバーの特性を示し、L4に対する視床皮質の投影と似ている（Viaene et al。、2011b）。
> ? ry L5細胞に投射 ry 。
> L6a細胞は L5 内の細胞に投射し活性化する（Thomson、2010）。
> ? ry 高密度に分裂し、 これらのニューロンの活性化が、層5aのピラミッドニューロンにおいて大きな ry 。
> 最近の実験研究は、L6 CTニューロンの軸索が、マウスの視覚および体性感覚皮質の両方の層5a内に高密度に分岐しており、 これらのニューロンの活性化が、層 5a の錐体細胞において大きな興奮性シナプス後電位（EPSP）を生成した事を発見した（Kim et al。、2014）。
> L6a細胞はL5からのフィードバックを受ける（Thomson、2010）。
> ? L5細胞はその層内で長距離を投射し（Schnepel et al。、2015）、L5細胞も皮質柱の主要な産物である ry 。
> L5 細胞は、その層内で長距離投射を行い（Schnepel et al。、2015）又 L5 細胞も皮質カラムの主要な出力でもある（Douglas and Martin、2004; Guillery and Sherman、2011; Sherman and Guillery、2011）。
> ? L5には3種類のピラミッド型ニューロンが存在する ry 。
> L5 には 3 種類の錐体細胞が存在する（Kim et al。、2015）。
> ? ここでは、視床の中継細胞に軸索分枝を送る太い先端 ry 。
> ここではその内の 1 つ、視床の中継細胞に軸索分枝を送る太い尖端の幹を持つ大きなニューロン（Ramaswamy and Markram、2015）のみを参照しています。
> しかし、モデル ry 。
> しかしながら、我々のモデルがL6aとL5にきれいにマップされていないという経験的証拠もある。
> ? ry （2013）は、感覚刺激が、L6細胞がL6細胞の前に同時に、またはわずかに発火する原因となることを示しており、 ry 。
> 例えば、ConstantinopleとBruno（2013）は、 L6 細胞が L5 細胞と同時に、又は僅かに前に発火する原因に感覚刺激がなる事を示しており、これはモデルと矛盾している。
> ? ry 不明である。
> したがって、L6aとL5がモデルのインスタンスとして解釈できるかどうかは不透明である。
>
> 位置信号の起源
>
> L6aにおける位置表現の導出は不明である。
> ? ry 含み、部分は、「何」および「どこ」経路の対応する領域間の長距離接続を含む可能性が高い（ ry ）。
> その答えの一部は、カラムの下位層での局所処理を含み、もう一部は、「何」及び「どこ」経路の対応領域間長距離接続を含む可能性が高い（Thomson、2010）。
> ? すべての主要な感覚様式にパラレルな「何か」と「どこで」の経路が存在するか（ ry ）。
> 並列な「何」と「どこ」の経路が全ての主要な感覚様式に存在する（Ungerleider and Haxby、1994; Ahveninen et al。、2006）。
> ? 「何」経路の領域は、翻訳、回転、スケールに対する不変性が増大し、オブジェクト中心の座標における感覚的特徴に対する選択性が高まる表現を形成することを示唆している（ ry ）。
> 変換、回転、スケール、に対する不変性増大を呈示する表現を「何」経路にあるリージョンが形成し、オブジェクト中心の座標における感覚フィーチャに対する選択性が高まる、という事を証拠は示唆している（Rust and DiCarlo、2010）。
> ? ry 、配分表現を形成するもの ry 。
> この効果は、アロケーション表現を形成するものと解釈することができる。
> ? ry 対照的に、「どこで」の経路が、自己中心座標で表現を形成するかが提案されている（ ry ）。
> これとは対照的に、「どこ」経路にあるリージョンが自己中心座標で表現を形成すると提案されている（Goodale and Milner、1992）。
> ? 自律運動行動が「場所」領域で生成された場合、それを新たな予測された割り当て位置に変換することができる対応する「どの」領域にモータコマンドのコピーを送る必要がある。
> 自律運動行動が「どこ」リージョンで生成された場合、運動コマンドのコピーをそれを新たなアロケート予測位置に変換する事ができる対応「何」リージョンに送る必要がある。
> 変換は、ボディに対するオブジェクトの現在の位置と向きに依存します。
> ? ry 「どこ」と「どの」領域の間の長距離接続を含むかもしれないことを示唆している。
> この理由から、位置信号の起源が「どこ」と「何」リージョンの間の長距離接続を含む可能性を我々は示唆する。
> 「ディスカッション」セクションでは、場所の生成方法について説明します。
>
> 生理学的証拠
>
> 解剖学的支援に加えて、経験的観察によって支持されるモデルのいくつかの生理学的予測がある。
> L4およびL6細胞は「単純な」受容野（RF）を示し、L2 / 3およびL5細胞は「複雑な」RFを示す（Hubel and Wiesel、1962; Gilbert、1977）。
> 複雑な細胞の主要な特性には、広範囲の感覚入力と時間的安定性の増加によって影響されるRFが含まれる（Movshon et al。、1978）。
> ? L2 / 3細胞は、一次体性感覚皮質におけるL4細胞の2倍の ry 。
> L2 / 3 の細胞群では、一次体性感覚皮質における L4 の細胞群での 2 倍の大きさの受容野を有する（Chapin、1986）。
> 視覚野の層5には、受容野 ry 。
> 視覚野の層 5 の大部分には、受容野が大きく非配向性の細胞群が主に見られた（Mangini and Pearlman、1980; Lemmon and Pearlman、1981）。
> ? ry 特性は、モデルの出力層と一致し、観察されます。
> これらの特性はモデルの出力層と、一致し又観察可能です。
>
> ? このモデルでは、入力レイヤー（L4とL6a）のミニカラムのセルは、以前に学習したオブジェクトの一部として予測できない入力よりも提示された場合、ほぼ同じRFを持つことが予測されます。
> 入力レイヤー ( L4 と L6a ) のミニカラムのセルが、以前に学習したオブジェクトの一部としての予測ができない入力が提示された場合、ほぼ同じ RF を持つに至る、とこのモデルは予測します。
> しかし、学習されたオブジェクトのコンテキストでは、ミニカラムのセルが区別されます。
> 1つの重要な差別化は、個々の細胞が特定の状況においてのみ応答することである。
> この差別化は、複数のモダリティで観察されている（Vinje and Gallant、2002; Yen et al。、2006; Martin andSchr?er、2013; Gavornik and Bear、2014）。
> 我々のモデルはまた、早期知覚領域が最近の知覚認識結果に偏っているという知見と一致している（St. John-Saaltink et al。、2016）。
>
> ? ry 、「国境所有」である（Zhou et al。、2000）。
> この現象の特に関連するバージョンは、「 Border-Ownership 」である（Zhou et al。、2000）。
> ? 孤立したエッジ様の特徴が提示された場合に類似の古典的な受容野を有し、特徴がより大きな対象の一部である場合に発散し、一意的に発火する細胞。
> フィーチャがより大きな対象の一部である場合に、分岐し一意的に発火する、孤立したエッジ様フィーチャ、に伴って古典的受容野に似た様相を呈する細胞群。
> ? ry 。このビヘイビアは、モデルによって予測され、表示されます。
> 具体的には、複雑なオブジェクト上の特定の場所にそのフィーチャがあるときにセルが起動します。この振舞いは、我々のモデルによって予測され又示されます。
> ? 国境の所有権について説明するために、研究者 ry 。
> Border-Ownership に付いて説明する為に、研究者は入力の「グループ化」を実行するセルの層を提案している。
> グループ分け細胞は経時的に安定である（Craft et al。、2007）。
> ? モデルの出力レイヤーはこの機能を実行します。
> 我々のモデルの出力レイヤーはこの機能を実現します。
> 「 Border ownership 」は、複雑なオブジェクトモデリングの一形態です。
> これは、第1感覚領域および第2感覚領域の両方で観察されている（Zhouら、2000）。
> 私たちは、より複雑で立体的な物体についても、同様の特性が第1感覚領域および第2感覚領域で観察され得ることを予測する。
>
> Lee et al。は、運動皮質活動の増強が、一次体性感覚皮質における地形学的に整列したニューロンの感覚誘発反応を促進することを示している（Lee et al。、2008）。
> ? ry S1コルチコタラミンニューロンは、 ry 応答することを見出した。
> 具体的には、ウィスカー/バレル皮質中のS1コルチコタラミンニューロンが、運動皮質活動が局所的に増強されたときにウィスカー偏向により堅牢に応答する事を発見した。
> ? ry 位置情報が主要感覚領域に列単位 ry 。
> これは、行動によって生成された位置情報が一次感覚リージョンにカラム単位で投影されるというモデル仮説を支持する。
>
>
> 移動先：
> 討論
>
> 以前のモデルとの関係
>
> 新しい実験技術の開発により、皮質の層状回路の知識は成長し続けている（Thomson and Bannister、2003; Thomson and Lamy、2007）。
> 皮質柱全体の回路を再構築してシミュレートすることが可能になりました（Markram et al。、2015）。
> 長年にわたり、皮質柱のモデルを開発するために多くの努力が払われてきた。
> 多くの皮質柱モデルは、皮質の神経生理学的特性を説明することを目的としている。
> ? ry モデルの1つを提供した。
> 例えば、猫の視覚野に関する研究（Douglas and Martin、1991）に基づいて、皮質柱の最初の標準的な微細回路モデルの 1 つが齎された。
> このモデルは、パルスされた視覚刺激に対する細胞内応答を説明し、非常に影響力が強いままである（Douglas and Martin、2004）。
> Hill and Tononi（2004）は、睡眠と覚醒の間の脳状態の違いを説明するために、反復柱状構造で編成されたポイントニューロンの大規模モデルを構築した。
> ? ry （2004）は、振動、癲癇、および睡眠の現象を説明するために、マルチコンパートメントの生物物理学的モデルに基づいた単一列のネットワークモデルを開発しました。
> Traub et al。 ( 2004 ) は、動揺、癲癇、および睡眠様現象を説明する為に、生物物理学的な多区画モデルに基づいた単一カラムのネットワークモデルを開発しました。
> ? ry 、椎弓板特有の構造の有無にかかわらず、 ry 。
> Haeusler and Maass（2007）は、薄層特有の構造の有無に関わらず、皮質の微細回路モデルを比較し、より現実的な皮質微細回路モデルのいくつかの計算上の利点を実証した。
> ? ry が、再構成された多区画ニューロン> 12,000を超える皮質柱モデルによって説明できることを示した。
> Reimann et al。 （2013）は、新皮質局所電場電位が、 12000 を超える多区画ニューロンで再構成された皮質カラムモデルによって説明できることを示した。
>
> これらのモデルは、神経生理学的信号の起源についての重要な洞察を提供したが、層およびカラムの機能的役割を提案するモデルは比較的少ない。
> Bastos et al。 （2012）は、皮質柱の微小回路と、予測符号化によって暗示された接続との間の対応について議論した。
> この研究では、Douglas and Martin（2004）の研究に基づく粗い微細回路モデルを使用し、最近の実験的証拠と列間の詳細な接続パターンは欠落していました。
>
> ? ry 、視覚野にどのように注意が払われるかを説明するLAMINARTモデルを説明した。
> Raizada and Grossberg（2003）は、視覚野実装想定にどのように注意するかを解説する LAMINART モデルを記述した。
> この研究は、L4-L2 / 3ネットワークの解剖学的接続を強調し、知覚的グループ分けがL2 / 3における長距離横方向接続に依存することを提案した。
> これは、L2 / 3における安定した物体表現の提案と一致する。
> ? ry が、サラウンドからの情報を最適に統合するために ry 。
> 最適コンテキスト統合の最近の理論は、長距離横方向接続が、体を取囲む周囲の情報を最適に統合する為に使用されることを提案している（Iyer and Mihalas、2017）。
> 彼らのモデルの構造は、ここに提示された理論と広く一致しており、さらなる分析のための可能な数学的基礎を提供する。
>
> 皮質柱の利点
>
> 私たちの研究は、Mountcastleの皮質柱（Mountcastle、1978、1997年）の定義によって、「短距離水平連結によって束ねられた多くのミニカラムによって形成される」構造として導かれてきた。
> その概念は、この論文で提示された理論において本質的な役割を果たす。
> 我々の理論の一部は、感覚皮質の各反復単位すなわち「列」は、時間の経過に伴って感覚および位置データを局所的に統合することによって完全な対象物を学習することができるということである。
> さらに、我々は、複数の皮質柱が、分散された感覚領域にわたって情報を並行して統合することによって、推論および認識時間を大幅に高速化することを提案した。
>
> 未解決の問題は、列の解剖学的な正確な構成です。
> ? 我々は離散的な列間境界を持つ列のモデル ry 。
> 我々は分離したカラム間境界を持つカラムのモデルを記述することを選択しました。
> ? ry 、ラット胴皮質において最も明確である（ ry ）
> このタイプの明確な構造は、ラットのバレル皮質において最も明瞭である（Lubkeら、2000; Bureau et al。、2004; Feldmeyer et al。、2013） が
> 、 Mountcastle らは、生理学的および解剖学的性質に不連続性があることは時々あるが 多様な範囲の構造があり、より一般的な規則は連続性であることを指摘している （Mountcastle、1978; Horton and Adams、2005; Rockland、2010）。
>
> マウントキャッスルの反復機能ユニットの概念は、連続的であれ離散的であれ、皮質機能の原理を理解するのに有益です。
> 我々のモデルは、計算上の利点を列に割り当て、不連続な情報を異種の領域にまたがって並列に統合するものです。
> この基本機能は、特定のタイプのカラム（ハイパーカラムや眼支配カラムなど）とは独立しており、離散構造または連続構造とは独立しています。
> 重要な要件は、各列が感覚空間の異なるサブセットをモデル化し、センサが移動するにつれて世界の異なる部分にさらされることです。
>
> 位置信号の生成
>
> 我々のモデルの重要な予測は、皮質領域の各列に位置信号が存在することです。
> 我々は、皮質領域が動きによる新しい感覚入力を予測するという観察に基づいて、この信号の必要性を推測した（Duhamelら、1992; Nakamura and Colby、2002; Li and DiCarlo、2008）。
> ? ry 、運動が完了した後にセンサが感知された物体上にどこにあるのかを知る必要がある。
> 次の感覚入力を予測するために、新皮質のパッチは、感知された物体上のどこにセンサがあるのかを運動が完了した後に知る必要がある。
> 位置の予測は、センサアレイの各部分について別々に行わなければならない。
> 例えば、各指が所与の物体上でどのように感じるかを脳が予測するためには、各指に対する別個の割り当て位置を予測しなければならない。
> それぞれの手には半独立した感覚の領域が数多くあり、それぞれが物体上の異なる位置と特徴を感知することができます。
> ? したがって、体脂肪トポロジーが同様に粒状である脳の部分で、割り当て位置信号を計算 ry 。
> 従って、アロケートされるロケート信号を体にまつわる位相たる顆粒様脳内部分で計算しなければならない。
> ? touchの場合、これは、S1とS2のような主要領域全体の各列に割り当て位置が導出されていることを示しています。
> 触覚の場合、これは、S1 と S2 の様な一次リージョン全体の各カラムにアロケートロケーションが導出されている事を示しています。
> ? ry 、同じ議論が主要な視覚領域にも当てはまる。
> 網膜の各パッチが物体の異なる部分を観察するので、同じ議論が一次視覚リージョンにも当嵌る。
>
> 位置信号がどのように生成されるかはわかりませんが、理論的に得られた要件をいくつか挙げることができます。
> 列はオブジェクト上の現在の位置を知る必要がありますが、移動が完了した後に新しい位置がどのようになるかを予測する必要もあります。
> ? エコーセントラルモーター信号を予測された割り当て位置に変換するためには、列は移動 ry 。
> 自己視点座標的運動信号を予測されたアロケート位置に変換する為には、カラムは移動を行っている身体部分に対するオブジェクトの向きも知っていなければならない。
> ? ry 移動?予測された新しい場所 ry 。
> これは、擬似方程式[現在の位置+オブジェクトの向き+移動 = 予測された新しい場所]で表すことができます。
> これは、ニューロンが実行するための複雑な作業です。
> 幸運なことに、それはグリッドセルが行うことと非常に似ています。
> グリッドセルは、ニューロンがこれらのタイプの変換を実行できるという証拠であり、皮質の列に配置される特定のメカニズムを示唆しています。
>
> 1。
> ? 嗅内皮質（Hafting et al。、2005; Moser et al。、2008）の格子細胞は、 ry をコード化する。
> 嗅内皮質の格子細胞 ( Hafting et al。、2005; Moser et al。、2008 ) は、外部環境に対する動物の身体の位置をエンコードする。
> 感覚皮質柱は、動物の体の一部（感覚パッチ）の位置を外部物体に関連してコード化する必要がある。
> 2。
> グリッドセルは、経路統合を使用して、移動による新しい場所を予測します（Kropff et al。、2015）。
> ? 列は、移動のために新しい ry 。
> カラムも、移動に伴う新しい場所を予測するためにパス統合を使用する必要があります。
> 3。
> ? ry は、現在の位置と移動方向を頭部方向のセルと組み合わせる（Moser et al。、2014）。
> 新しい位置を予測するために、グリッドセルは、現在の、位置、動き、頭部基準向き、のセルを一纏めにする（Moser et al。、2014）。
> 頭の方向のセルは、外部環境に対する「動物」の「向き」を表します。
> 列には、外部物体に対する「感覚パッチ」の「向き」の表現が必要です。
> 4。
> グリッドセルを使った空間表現は無次元です。
> ? ry マッピングされるかによって決まります。
> それらが表す空間の次元は、格子セルのタイリングと、タイリングがどのように動作にマッピングされるか、との統合によって決まります。
> 同様に、我々のモデルは、次元のない位置の表現を使用する。
>
> ? これらの類似体に加えて、 ry 各皮質柱の小顆粒層に保存され、複製されるという仮説を導く。
> これらの類似例に加えて、グリッド細胞が新皮質よりも系統発生的に古いという事実は、グリッド細胞によって使用される細胞機構が各皮質カラムの顆粒下層で保存と複製とをされるという仮説を導く。
> ? 列に細胞の配置に類似したニューロンが必要かどうかは ry 。
> 場所細胞に類似したニューロンをカラムが必要とするかどうかは明らかではない（Moser et al。、2015）。
> ? プレイスセルは、場所（グリッドセルから派生した）を特徴およびイベント ry 。
> 場所細胞は、場所 ( グリッドセルから齎された ) をフィーチャおよびイベントと関連付けると考えられている。
> 彼らはエピソード記憶のために重要であると考えられている。
> ? ry 、皮質欄には ry 。
> 現時点では、皮質カラムには類似の要件はありません。
>
> 今日我々は、各皮質柱におけるグリッドセル様機能性の仮説を支持する直接的な経験的証拠はない。
> 我々は間接的な証拠しか持っていない。
> たとえば、位置を計算するために、皮質の列は、身体の姿勢に関する動的に更新された入力を受け取らなければならない。
> 感覚領域を含む多くの皮質領域の細胞が身体の動きおよび位置によって調節されるという重要な証拠が今や存在する。
> ? 一次視覚および聴覚領域は、 ry 。
> 視覚および聴覚の一次領域は、MT、MST、およびV4領域（Bremmer、2000; DeSouza et al。、2002）と同様に、眼の位置によって調節されるニューロンを含む（TrotterおよびCelebrini、1999; Werner-Reiss et al。、2003） 。
> ? 正面視野（FEF）の細胞は、眼球中心の基準フレーム（ ry 。
> 前頭眼野 ( FEF ) 内の細胞は、視点中心の基準座標系（Russo and Bruce、1994）で聴覚刺激に応答する。
> ? 後頭頭頂皮質（PPC）は、頭を中心とする（Andersenら、1993）、体中心の（Duhamelら、1992; Brotchieら、1995、2003; Bolognini and Maravita、2007）表現。
> 後部頭頂皮質 ( 後部頭頂葉 ) ( PPC ) は、頭 ( Andersenら、1993 ) と体 ( Duhamelら、1992; Brotchieら、1995、2003; Bolognini and Maravita、2007 ) 、を中心に据える事を含むマルチ座標系表現。
> ? モーター領域には、体の姿勢から独立した外部空間の表現から特定の筋群の表現まで（Graziano and Gross、1998; Kakei et al。、2003）、さまざまな範囲の参照フレームも含まれています。
> 運動領域には、体の姿勢から独立した外部空間の表現から、特定の筋群の表現まで、さまざまな範囲の基準座標系も含まれています ( Graziano and Gross、1998; Kakei et al。、2003 ) 。
> これらの表現の多くは、特定の身体領域に特有の粒状であり、多感覚であり、数多くの変換が並行して起こっていることを暗示している（Graziano et al。、1997; Graziano and Gross、1998; Rizzolatti et al。、2014）。
> いくつかのモデルは、上記の情報が座標変換を実行するために使用できることを示している（Zipser and Andersen、1988; Pouget and Snyder、2000）。
>
> ? 列がどのようにアロケーション・ロケーション信号を導出するかを決定することは、 ry 。
> カラムがどのようにロケーションアロケート信号を導出するかを決定付ける事は、我々の研究の現在の焦点である。
>
> ? 阻害ニューロン ry
> 抑制ニューロンの役割
>
> 私たちのモデルには阻害が必要ないくつかの側面があります。
> ? ry お互いを互いに阻害します。
> 入力層では、ミニカラムのニューロンがお互いを相互に抑制します。
> ? 具体的には、（予測状態の）部分的に脱分極したニューロンは、部分的に脱分極していない細胞の少し前に第1の活動電位を生成する。
> 具体的には、部分的な脱分極をしたニューロン ( 予測状態の ) は、部分的な脱分極をしていない細胞達よりも僅かに前に第 1 の活動電位 ( 第 1 相 ? a first action potential ) を生成する。
> ? ry 、他の近くの細胞が発射するのを防ぎます。
> 最初にスパイクする細胞は、他の近くの細胞から発火されるのを防ぎます。
> ? ry 非常に速く、勝者を引き受けるタイプの阻害を必要とし、このような速い阻害性ニューロン ry 。
> これは、近くの細胞間で非常に速い、勝者総取りタイプの抑制を必要とし、このような速い抑制性ニューロンに最近の実験結果と一致する刺激関連情報が含まれることを示唆している（Reyes-Puerta et al。、2015a、b） 。
> この阻害のタイミング要件のシミュレーションは、Billaudelle and Ahmad（2015）に見出すことができます。
> 出力層の活性化は、非常に速い阻害を必要としない。
> ? ry 希薄さを維持するためには、層内の広い阻害が必要である。
> 代わりに、活性化パターンの疎性を維持する為には、レイヤ内の広い抑制が必要である。
> 文献（Helmstaedter et al。、2009; Meyer et al。、2011）では、迅速かつ広範な阻害の両方に関する実験証拠が報告されている。
>
> 私たちのシミュレーションは、阻害性ニューロンを個々の細胞としてモデル化していません。
> ? 阻害ニューロンの機能は、モデルの活性化規則にコードされている。
> 抑制ニューロンの機能はモデル内のアクティべーションルールにエンコードされている。
> 特異的阻害性ニューロン型へのより詳細なマッピングは、将来の研究のための領域である。
>
> 階層
>
> ? 新皮質は、一連の階層的に配置された領域における感覚入力 ry 。
> 新皮質は、階層的に配置された一連のリージョンにおける感覚入力を処理する。
> 入力が領域ごとに上がるにつれて、細胞は感覚アレイのより広い領域およびより複雑な特徴に応答する。
> ? 一般的な前提は、細胞が感覚アレイ全体にわたる入力に応答する、階層内 ry ことである。
> 共通の前提は、細胞が感覚アレイ全体に亘る入力に応答するその階層内のレベルでのみ完全なオブジェクトを認識できる事である。
>
> 我々のモデルは、代替の視点を提案する。
> ? すべての皮質柱は、主感覚領域の柱でさえ、 ry 。
> 全ての皮質カラムは、一次感覚リージョンのカラムでさえ、完全な物体の表現を学習することができます。
> しかし、私たちのネットワークモデルは、出力レイヤーの水平接続の空間的な範囲によって制限されます。
> したがって、多くの場合、階層が依然として必要です。
> たとえば、網膜に印刷された手紙のイメージを提示するとします。
> ? ry 、V1の列はその文字を認識することができる。
> 文字が網膜の小さな部分を占める場合、V1 内のカラムはその文字を認識する事ができる。
> ? に手紙が拡大される場合、V1の列は、 ry 。
> しかし、網膜の大部分を占めるように文字が拡大される場合、 V1 のカラムは、文字を定義するフィーチャが離れすぎてL2 / 3の水平接続によって統合されないため、文字を認識できなくなる。
> ? この場合、手紙を認識するためには、より高い皮質領域へ ry 。
> この場合、文字を認識する為には、より高い皮質リージョンへの収束入力が必要となる。
> したがって、皮質は、領域内および階層レベルの両方において、複数のモデルのオブジェクトを学習する。
>
> ? 複数のオブジェクトが同時に検出された ry ？
> 複数のオブジェクトに同時に触れた場合はどうなりますか？
> 我々のモデルでは、感覚アレイの1つの部分が1つの物体を感知することができ、感知アレイの別の部分が異なる物体を感知することができる。
> ? 親指と中指が別のオブジェクトに触れている間にインデックスや薬指が1つのオブジェクトに触れた場合など、2つ以上のオブジェクトからの感覚がオーバーレイ ry 。
> 人差指や薬指が1つのオブジェクトに触れている間に親指と中指が別のオブジェクトに触れた場合など、2つ以上のオブジェクトからの感覚が単一リージョン上でオーバーレイされたり、散在したりすると、問題が発生します。
> このような状況では、システムは1つの解釈または他の解釈で解決されると考えられます。
>
> 感覚情報はパラレル経路で処理され、時には「何」および「どこ」経路と呼ばれる。
> ? オブジェクト認識モデルは、オブジェクトを認識する能力に関連する「どの領域」に存在するかを提案する。
> オブジェクトを認識する能力に関連する「何」リージョン内に我々のオブジェクト認識モデルが存在する事を提案する。
> ? どのように我々のモデルに照らして「どこで」の経路を解釈 ry ？
> 「どこ」の経路を我々はどの様に我々のモデルに照らし解釈するのだろうか？
> 第1に、2つの経路における解剖学的構造は類似している。
> これは、「what」と「where」領域が同様の操作を実行するが、異なるタイプのデータを処理することによって異なる結果を達成することを示唆している。
> 例えば、我々のネットワークは、位置信号が自我中心の位置を表す場合に、自我中心空間のモデルを学習することができる。
> ? ry 運動行動を割り当て場所に変換するために、何処、どこの領域が必要であるかという双方向性のつながりがあると考えている。
> 第二に、我々は、自我中心の運動行動をアロケートロケーションに変換する為に、お互いに双方向性の繋がりがある、何とどこ、の 2 つのリージョンが必要であると考えている。
> 私たちは現在、これらのアイデアを模索しています。
>
> ? ビジョン、オーディションなど
> 視覚、聴覚等
>
> 我々は、体感を用いて我々のモデルを記述した。
> 他の感覚様式にも適用されますか？
> ? 我々はそれが信じています。
> 我々はそう信じています。
> ? ビジョンを ry 。
> 視覚を考えてください。
> 視覚と触覚の両方は、皮質柱のアレイに位相的にマッピングされた受容器のアレイに基づいている。
> 網膜はカメラのようではありません。
> 死角および血管は、物体のすべての部分が同時に感知されるのを防ぎ、網膜の受容体の密度は均一ではない。
> 同様に、皮膚は一度に物体のすべての部分を感知することができず、体細胞受容体の分布は一様ではない。
> 私たちのモデルは不連続性と不均一性に無関心です。
> ? 皮膚と網膜の両方が動いて、 ry 皮質柱を露出させる。
> 皮膚と網膜の両方が活動して、経時的に感知された物体の異なる部分に皮質カラムを露出させる。
> ? 触覚と視覚のための割り当て位置信号を決定する方法 ry 。
> 触覚と視覚の為のロケーションアロケート信号を決定する方法は多少異なる。
> ? ry 、視力は眼球格差などの他の手がかりにアクセスする。
> 体の感覚はより豊かな固有感覚入力にアクセスする一方、視覚は両眼像差等の他の手掛りにアクセスする。
> ? アロケーションの位置がどのように ry 。
> ロケーションアロケートがどのように決定されるかの違いとは別に、我々のモデルは、基礎となる感覚様式に無関心である。
> ? ry 表現に結合する。
> 実際に、視覚的入力を受け取る列は、体細胞入力を受け取る列に散在させることができ、我々のモデルにおける長距離の列間接続は、これらを単一のオブジェクト表現に一体化する。
>
> オーディションにも同様の類似点があります。
> おそらくより強力な観察は、我々のモデルを支持する解剖学的構造は、すべてではないにしても大部分の皮質領域に存在するということである。
> これは、領域がどのような種類の情報を処理していても、そのフィードフォワード入力は場所のコンテキストで解釈されることを示唆しています。
> ? の知覚データにも当てはまります。
> これは、高レベルの概念だけでなく、低レベルの感覚データにも当嵌ります。
> ? これは、なぜ物理的な場所に精神的に関連しているのか、なぜ精神的なイメージを使って抽象的な概念を伝えるのかという理由で項目のリストを暗記するのが簡単であることを示唆しています。
> これは、アイテムのリストの暗記の為にそれら場合の物理的場所を精神的に結付けた場合はより簡単であるのはなぜか、そして抽象的概念を我々が精神的イメージをしばしば使って伝えるのはなぜか、を示唆しています。
>
> テスト可能な予測
>
> ? ry 、実験的に試験可能ないくつかの予測が続く。
> この理論から、実験的に試験が可能な幾つかの予測が導かれる。
>
> 1。
> ? この理論は、知覚領域が、身近な物体を感知しながらセンサの動きに対して安定な細胞を含むことを予測している。
> この理論は、身近な物体を感知するセンサの活動の継続的センシングに亘って安定な細胞を感覚リージョンが含む事を予測している。
> 2。
> ? ry 、疎なものであり、目的の同一性に特異的である。
> 安定した細胞のセットは、疎であり、オブジェクトの同一性に特異的である。
> 所与の物体に対して安定しているセルは、一般に、完全に異なる物体に対して安定しているセルと非常に重ならない。
> 3。
> ? 皮質柱の2/3の層は、完全なオブジェクトを独立して学習してモデル化することができます。
> 皮質カラムのレイヤ 2/3 は、独立して学習して完全なオブジェクトをモデル化する事ができます。
> 列がモデル化できるオブジェクトの複雑さは、長距離の横方向の接続の程度に関係していると考えています。
> 4。
> ? 各皮質柱（層2/3）の出力層内 ry より希薄になる。
> 各皮質カラム ( レイヤ 2/3 ) の出力レイヤ内の活動は、より多くの証拠が物体のために蓄積されるにつれてより疎になる。
> ? 出力レイヤの ry 、あいまいなオブジェクトの密度が高くなります。
> 出力レイヤ内のアクティビティは、あいまいなオブジェクトで密度が高くなります。
> これらの効果は、動物がおなじみの物体を自由に観察している場合にのみ見られます。
> 5。
> これらの出力レイヤは安定した表現を形成します。
> 一般に、それらの活動は、長距離接続を持たない層よりも安定している。
> 6。
> ? 出力レイヤー内のアクティビティは、長距離ラテラル接続を ry 無効にして、より安定した表現に収束します。
> 出力レイヤー内の活動状態は、長距離横方向接続を無効にするか、または隣接する列への入力を無効にすると、より安定した表現にゆっくりと収束します。
> 7。
> ? この理論は、境界所有細胞に ry 。
> この理論は、Border-Ownership 細胞についてのアルゴリズム的説明を提供する（Zhou et al。、2000）。
> ? 一般に、各領域には、オブジェクトの参照フレーム内のフィーチャの位置に調整されたセルが含まれます。
> 一般に、各リージョンには、オブジェクトの基準座標系内のフィーチャのロケーションにチューンされたセルが含まれます。
> これらの表現はレイヤー4で見ることができます。
>
> 概要
>
> 我々の研究は、脳がどのようにして感覚入力を予測するかに焦点を当てている。
> ? すべての感覚領域が ry 、感覚領域の各小領域は、列上で物体がどこにあるかを表す位置信号にアクセスしなければならないと推測しました。
> 継続的変化する入力を全ての感覚リージョンが予測するという前提から始めて、物体上のどこをカラムがセンシングしているかを表すロケーション信号に感覚リージョンの各小エリアがアクセスしなければならないと我々は推測しました。
> ? ry 、全体の皮質柱が何をしているのか理解し始めています。
> このアイデアを基に、いくつかの細胞層の可能性のある機能を推測し、皮質カラムが全体的に何をしているのかを我々は理解し始めています。
> 私たちが理解していないことはたくさんありますが、全体像はますます明確になっています。
> ? 私たちは、それぞれの皮質柱が、「その」世界のモデル、それが感知できるもののモデル ry 。
> 私達は、其々の皮質カラムが、「その」世界の、それが感知できるものの、モデルを学ぶと信じています。
> ? 単一の列は、 ry 適用できるビヘイビアを学習します。
> 単一カラムは、多くのオブジェクトの構造と、それらのオブジェクトに適用できる振舞いを学習します。
> 層内および長距離の皮質 - 皮質接続を介して、同じ対象物を感知している列があいまいさを解決することができる。
>
> 1978年、Vernon Mountcastleは、皮質柱の複雑な解剖学的構造がすべての新皮質において類似しているので、新皮質のすべての領域が同様の機能を果たさなければならないと推論した（Mountcastle、1978）。
> ? 彼の仮説は、皮質柱がどのような機能を果たすのかを特定することができなかったか、また、どのような単一の複雑な機能がすべての感覚プロセスおよび認知プロセスに適用可能であるかを想像することは困難であったために部分的に議論の余地がある。
> 彼の仮説には、一つには皮質カラムが何の機能を果たすかを特定できない事、 更に一つには単一の複雑な機能がすべての感覚プロセスおよび認知プロセスに適用可能である事を想像する事が困難である事から 、議論の余地がある。
>
> この論文で提示された皮質柱のモデルは、感覚領域および感覚処理の観点から説明されるが、我々のモデルの基礎となる回路はすべての皮質領域に存在する。
> したがって、Mountcastleの推測が正しければ、数学、言語、科学などの高レベルの認知機能さえもこの枠組みで実装されるだろう。
> ? 抽象的な知識さえも、ある種の「場所」と関連して保存されており、 ry 指と目で推論していた推論や行動生成メカニズムによって実装されている
> その事は、抽象的な知識さえも、とある形態の「位置」と関連して格納されており、「思考」と考えられるものの多くは、推論や、元々は進化しての指と目を動かしての当て推量による行動生成メカニズム、によって実装されていると示唆する。
>
>
> 移動先：
> ? 材料および方法
> 資料と方法
>
> ここではHTM感覚運動推論ネットワークの活性化と学習の規則を正式に記述する。
> ? 我々は、ネットワーク内のHTMニューロン ry 。
> 我々は、そのネットワーク内で HTM ニューロンモデル（Hawkins and Ahmad、2016）の修正版を使用する。
> このアルゴリズムには、初期化、セル状態の計算、および学習の3つの基本的な側面があります。
> これらのステップは、実装およびシミュレーションの詳細とともに説明されています。
>
> 記法
>
> ? Ninを入力層のミニカラムの数、Mを入力層のミニカラムあたりのセルの数、Noutを出力層のセルの数、Ncを皮質の列の数とする。
> N~in を入力レイヤ内のミニカラムの数、 M を入力レイヤ内のミニカラム当りのセルの数、 N~out を出力レイヤ内のセルの数、 N~c を皮質カラムの数とする。
> ? ry は、それぞれの皮質欄のMNinおよびNoutである。
> 入力層および出力層内のセルの数は、各皮質カラムの、其々 MN~in 及び N~out である。
> ? ry 、感覚入力と位置信号に対応する文脈入力の両方を受信する。
> 各入力セルは、感覚入力とロケーション信号に対応する文脈の入力との両入力を受信する。
> 位置信号は、N~ext 次元のスパースベクトル L である。
>
> 各セルは、アクティブ、予測、または非アクティブの3つの状態のいずれかになります。
> ? ry Aouttoを皮質欄の出力セルの活性化状態を示すために使用する。
> 入力セルの活性化状態および予測状態を表すために M ラ N~in 2進行列 A~in および Π~in を使用し、N~out 次元バイナリベクトル A~out を皮質カラム内の出力セルの活性化状態を示す為に使用する。
> すべての皮質柱の連結された出力は、 N~out N~column 次元バイナリベクトル A~out として表現されます。
> いずれの時点でも、アクティブな細胞の数は少ないので、これらは一般に非常に疎です。
>
> ? 各細胞は、単一の近位樹状 ry 基端遠位樹状突起セグメント（以下では基底と示される）を維持する。
> 単一の主要樹状突起セグメントおよび一組の基端末梢樹状突起セグメント（以下では基底と示される）を、各細胞は維持する。
> ? 近接セグメントは、そのセルへのフィードフォワード接続を含む。
> そのセルへのフィードフォワード接続を近接セグメント達は含む。
> ? 基本セグメント ry 。
> 基底セグメントはコンテキスト入力を表します。
> コンテキスト入力はタイブレイカーとして機能し、セルを勝つようにバイアスします。
> 入力層内のセルへのコンテキスト入力は、外部位置信号Lを表すベクトルである。
> 出力レイヤのセルへのコンテキスト入力は、同じまたは異なる皮質カラム内の他の出力セルから発生します。
>
> ? 、それとシナプスを形成する可能性のある他の細胞との間に一連の「潜在的」シナプスを維持する（ ry ）。
> 各樹状突起セグメントについて、樹状突起セグメントと、それとのシナプスを形成する可能性のある他の細胞、との間に「シナプス候補」のセットを維持する ( Chklovskiiら、2004; Hawkins and Ahmad、2016 ) 。
> ? ry 、この一連の可能性のあるシナプスからの ry 。
> 学習は、この潜在的シナプスのセットからの新しいシナプスの成長によってモデル化される。
> ? ry 、各シナプスシナプスに割り当てられ、 ry 。
> 「永続性」値は、各潜在的シナプスに割り当てられ、シナプスの成長を表す。
> 潜在的なシナプスは、ゼロより大きい永久値によって表される。
> 0に近い永久値は、完全に成長していない未結合シナプスを表す。
> 接続閾値より大きい永久値は、接続されたシナプスを表す。
> 学習は、永続性値を増分または減分することによって行われます。
>
> ? ry d番目の樹枝状セグメントのシナプス永続性をNextラ1ベクトルDijd inと表記します。
> 私たちは、j番目のミニカラムのi番目の入力セルの d 番目の樹状突起セグメントのシナプス永続性を N~ext ラ 1 vector D~ijd,in と表記します。
> ? ry 、NoutNcラ1次元ベクトルDid、outである。
> 同様に、i番目の出力セルのd番目の樹枝状セグメントの永続性は、 N~out N~c ラ 1 dimensional vector D~id,out である。
>
> ? 出力ニューロンは、同じ皮質欄内の ry 。
> 出力ニューロンは、同じ皮質カラム内の入力ニューロンからフィードフォワード接続を受けます。
> ? これらの接続は、MラNinラNoutテンソルFで表されます。ここで、fijkは、 ry 。
> これらの接続は、 M ラ N~in ラ N~out tensor F で表されます。ここで、 f~ijk は、j番目のミニカラムのi番目の入力セルとk番目の出力セルの間のシナプスの永続性を表します。
>
> ? ry （例えば、）を使用する。
> DおよびFについては、セグメント上の潜在的なシナプスのサブセットを表すバイナリベクトル（すなわち、永久値が0より大きい）を示すためにドット ( 即ち、 , ) を使用する。
> ? ry （例えば、）を使用する。
> 我々は、接続されたシナプスのサブセットを表すバイナリベクトル（すなわち、接続閾値を超える永久値）を示すためにチルダ ( 即ち、 ~ ) を使用する。
>
> 初期化
>
> ? ry 、シナプスのランダム ry 。
> 各樹状突起セグメントは、潜在的シナプスのランダムなセットを含むように初期化される。
> ? Dijd、inは、位置入力から選択されたシナプス ry 。
> D~ijd,in は、ロケーション入力から選択された潜在的シナプスのランダムなセットを含むように初期化される。
> ? Did、outareのセグメントは、他の出力セルとのシナプス ry されています。
> D~id,out のセグメントは、他の出力セルの為の潜在的シナプスのランダムなセットを含むように初期化されます。
> これらは、同じ皮質柱からの細胞を含むことができる。
> ? ry 単一の列からのシナプスのみが含まれているという制約を適用します。
> 特定のセグメントには単一カラムからのシナプスのみが含まれているという制約を適用しています。
> すべての場合において、潜在的なシナプスの永続性の値はランダムに選択されます：最初にいくつかは接続されていて（しきい値を超えています）、未接続のものもあります。
>
> セル状態の計算
>
> その基底遠位セグメントのいずれかが十分な活性を有する場合、入力層内の細胞が予測される：
>
> πijin={1if ∃d(L^ZD^Zijd,in^Zθbin)>00otherwise
> （1）
>
> ここで、θbin は、入力セルの基底遠位樹状突起の活性化閾値である。
>
> 入力層では、ミニカラム内のすべてのセルが同じフィードフォワード受容フィールドを共有します。
> ? （Hawkins and Ahmad、2016）に続いて、 ry 。
> ( Hawkins and Ahmad、2016 ) に鑑み、現在のフィードフォワード入力パターンと最もよく一致する一連のミニカラムを抑制プロセスが選択すると仮定する。
> この勝者セットを W~in として表します。
> アクティブ入力層セルの集合は、以下のように計算される。
>
> aijin={1if j∈Win and πijin>01if j∈Win and ^Ziπijin=00 otherwise
> （2）
>
> ? ry 第1の条件は、勝利したミニカラムのセルが勝者になり、アクティブになることを予測すると述べている。
> 第 1 の条件状態は、勝利したミニカラム内の予測されたセルが勝者となる事でアクティブになる、かである。
> ミニカラム内のセルが予測されない場合、そのミニカラム内のすべてのセルがアクティブになります（第2の条件付き）。
>
> ? 出力層の ry およびラテラル入力を計算します。
> 出力レイヤ内のアクティビティを決定するために、各セルへのフィードフォワード及び横方向の入力を計算します。
> ? 入力層との十分なフィードフォワード重なりを持つセル、および前のタイムステップからの最も横方向のサポートがアクティブになります。
> 前タイムステップからの横方向のサポートがあるセルの殆ど、及び入力レイヤと十分にフィードフォワードオーバラップするセル、がアクティブになります。
> ? k ry フィードフォワード重なりは、
> k 番目の出力セルへのフィードフォワードオーバラップは、
>
> okout,t=^Zi,jI[fijk^Zθcout]aijin,t
> （3）
>
> ? ry 出力セルの集合は、次のように計算される。
> 十分なフィードフォワード入力を有する出力細胞のセットは、次のように計算される。
>
> Wout, t={k|okout, t^Zθpout}
> （4）
>
> ここで、 θpout はしきい値です。
> ? 次に、ソート関数としてアクティブな基本セグメントの数を使用してアクティブなセルを選択します。
> 我々は次に、アクティブな細胞達をアクティブ基底セグメント数を使用したソート関数として選択します。
>
> aiout,t={1 if i∈Wout,t and ρiout,t^Z1^Zξt^Z1out0 otherwise
> （5）
>
> ? ry 、sthの最も高いアクティブな基底セグメントの数は ry 。
> ここで、 ρiout,t^Z1=^ZdI[A^Zout^ZD^Zid,out^Zθbout] は前のタイムステップにおけるアクティブな基底セグメントの数を表し、アクティブ基底セグメント達の数として s 番目の最大数は ξtout で表される。
> θbout は 出力細胞の基底遠位樹状突起の活性化閾値である。
> I []はインジケータ関数であり、sはアクティブなニューロンの最小数である。
> ? 側方支持を有する細胞の数が皮質柱においてs未満である場合、ゼロであり、十分 ry 細胞が活性になる。
> 横方向サポートを有する細胞の数が皮質カラムに於て s 未満である場合、ゼロであり、そして十分なフィードフォワード入力を有する全ての細胞がアクティブになる。
> ? 複数のアクティブな基底セグメント ry 。
> 複数のアクティブ基底セグメントの影響を考慮して、元のHTMニューロンモデルの修正版を出力レイヤーで使用したことに注意してください。
>
> 入力層での学習
>
> ? ry 、基本セグメント ry 。
> 入力レイヤーでは、基底セグメントは予測を表します。
> どの時点でも、コンテキスト入力と一致するセグメントのみが変更されます。
> ? ry 、対応する基礎セグメント ry 。
> セルが予測され（式1）、アクティブになると、対応する基底セグメントが学習のために選択される。
> ? ry 、ランダム初期条件を使用して最良の基本入力一致を持つセルとして勝利セルを選択します。
> アクティブなミニカラムのセルが予測されなかった場合は、ランダム初期条件を介しての最良の基底入力一致を持つセルとして勝利セルを我々は選択します。
>
> ? 選択されたセグメントについて、 ry pで減少させ、活性シナプスの永続性をより大きな値p +
> 選択されたセグメントに付いて我々は、不活性シナプスの永続性を小さい値 p? で減少させ、活性シナプスの永続性をより大きな値 p~+ で増加させる。
>
> ΔDijd,in=pin+D^Zijd,in^ZLt-pin-D^Zijd,in^Z(1-Lt)
> （6）
>
> ? where ? represents element-wise multiplication.
> ここで、○は要素ごとの乗算を表す。 ?
> 誤った予測は否定的に罰せられます。
> 細胞の基底樹状突起セグメントが活性化し、その後細胞が活性化しない場合、対応するセグメント上の活性シナプスの永続性をわずかに減少させる。
> 式（6）において、学習はすべての潜在的なシナプスに適用されることに留意されたい ( D^Z に注意 ) 。
>
> 出力層での学習
>
> ? ry ために、出力レイヤーに疎な ry 。
> 新しいオブジェクトを学習するとき、新しいオブジェクトを表現する為に、出力レイヤー内の疎なセル群が選択されます。
> これらのセルは、システムが異なる場所の物体を感知している間は、アクティブなままである。
> ? ry フィーチャ/位置表現に亘ってプールされる。
> したがって、各出力セルは、入力層内の複数のフィーチャ/位置の表現に亘ってプールされる。
>
> 各感覚について、近接シナプスは、活性シナプスの永続性を pff+ により増加させ、不活性シナプスの永続性を pff- により減少させることによって学習される：
>
> Δfijk=[pff+aijin-pff-(1-aijin)]I[fijk>0]
> （7）
>
> ? アクティブ出力セルの基本セグメント ry 。
> アクティブ出力セルの基底セグメントは、式（7）と同様の規則を使用して学習される。
>
> ΔDid,out=pout+D^Zid,out^ZA^Zout,t-1-pout-D^Zid,out^Z(1-A^Zout,t-1)
> （8）
>
> フィードバック
>
> ? ry 、勝つミニカラムの ry 。
> 出力層から入力層へのフィードバックは、勝者ミニカラム内のどのセルがアクティブになるかを微調整するための追加の変調入力として使用されます。
> ? 入力層のセルは、基本セグメント ry 頂端セグメントのセットを維持する。
> 入力レイヤのセルは、基底セグメントのセットに類似した尖端セグメントのセットを維持する。
> ? 細胞が頂端支持（すなわち、能動頂端セグメント） ry 。
> 細胞が尖端サポート ( ie , アクティブ尖端セグメント）を有する場合、我々は計算するためにわずかに低い値 θbin を使用する。
> さらに、ミニカラム内の複数のセルが予測される場合、フィードバックを持つセルだけがアクティブになります。
> ? これらの規則により、出力レイヤの現在の表現に対してアクティブセルのセットがより正確になります。
> これらの規則は、出力レイヤ内の現在の表現に対しての重視を伴いつつアクティブセルのセットをより正確にします。
> 入力層の勝利セルの頂端セグメントは、基本セグメントとまったく同じルールを使用して学習されます。
>
> シミュレーションの詳細
>
> ? コンバージェンスとキャパシティの結果を生成するために、 ry 。
> 収束と容量の測定の結果を生成する為に、多数のオブジェクトを生成しました。
> 各オブジェクトは、多数の感覚特徴から構成され、各特徴は対応する位置に割り当てられる。
> ? 各位置は、10個のランダムビットがアクティブな2,400次元の ry エンコードされます。
> 各ロケーションを、10 個のランダムアクティブビットが 2400 次元のスパースバイナリベクトルとしてエンコードしました。
> 各感覚的特徴は同様に、10のランダムビットがアクティブであるベクトルによって符号化される。
> ? 知覚特徴ベクトルの長さは、入力層Nin ry 。
> 感覚フィーチャベクトルの長さは、入力レイヤ N~in のミニカラムの数と同じである。
> ? 入力レイヤーには、ミニ・カラムあたり150個のミニ・カラムと16個のセルがあり、10個のミニ・カラム ry 。
> 入力レイヤには、ミニカラム当り 16個のセルと 150 個のミニカラムとがあり、10 個のミニカラムはいつでもアクティブになっています。
> 入力ニューロンの基底遠位樹状突起の活性化閾値は6である。
> 出力層は4,096セルを含み、アクティブ出力セルの最小数は40です。
> ? ry 、近位樹状 ry 。
> 活性閾値は、主要樹状突起では3、出力ニューロンでは基底樹状突起では18です。
>
> トレーニング中、ネットワークは各オブジェクトをランダムな順序で学習します。
> ? ry 各特徴を3回感知する。
> 各オブジェクトについて、ネットワークは各フィーチャを 3 回センスする。
> ? 出力層のアクティベーションパターンはオブジェクトごとに保存され、検索精度を計算します。
> 出力層内のアクティベーションパターンは再現精度を計算する為にオブジェクトごとに保存されます。
> ? テスト中は、ネット ry をKlocationsで検出できるようにします。
> テスト中に於てネットワークが各オブジェクトを Klocations で検出できる様に我々はします。
> ? 各感覚の後、出力層の活動パターンを分類する。
> 各センシングの後、出力レイヤ内の活動パターンを我々は分類する。
> ? ry 各皮質欄について、正しいオブジェクトの出力レイヤーと格納された表現との間の重なりが閾値を超えており、他のすべてのオブジェクトの格納された表現との重なりがその閾値 ry 言う。
> もし、 各皮質カラムに付いて、出力レイヤと正しいオブジェクトの保存表現との間のオーバラップが閾値を超えており、他のすべてのオブジェクトの保存表現とのオーバラップがその閾値未満であるならば、 オブジェクトが正しく分類されていると云う。
> しきい値は30です。
>
> ? ネットワークコンバージェンス実験（図4,5）では、各物体は、5?30個の可能な特徴のライブラリから選択された10個の知覚特徴からなる。
> ネットワーク収束実験 ( 図4,5 ) では、各物体は、 5 〜 30 個の可能なライブラリ上フィーチャから選択された 10 個の感覚フィーチャからなる。
> テスト中の感覚の数は20です。
> 容量実験のために、各物体は、5,000個の可能な特徴の大きなライブラリから選択された10個の感覚特徴からなる。
> テスト中の感覚の数は3です。
>
> 最後に、大規模なネットワークのシミュレーション時間を大幅に短縮する簡単な前提をいくつか行います。
> ? 明示的にすべてのセグメントとすべてのセルにわたってシナプスの完全 ry 、ランダムなセルにセグメントを貪欲に作成し、 ry セグメントのシナプスを初期化します。
> 全てのセグメントと全てのセルに亘ってシナプスの完全なセットを明示的に初期化するのではなく、ランダムなセルをセグメントに貪欲に作成し、現在アクティブなセルからサンプリングすることによってそのセグメントの潜在的シナプスを初期化します。
> これは、既存のセグメントとの一致がない場合にのみ発生します。
>
> ノイズロバストネス実験（図6）では、感覚入力と位置入力にランダムノイズを追加しました。
> ? ry 、アクティブな入力ビットの一部を非アクティブにランダムにフリップし、 ry ビットをアクティブにフリップします。
> 各入力に対して、アクティブ入力ビットの極一部をランダムにフリップし非アクティブにし、対応する数の非アクティブな入力ビットをフリップしアクティブにします。
> ? このプロシージャは、一定の入力スパース ry 。
> この手順は、入力の一定のスパース性を維持しながら入力をランダム化します。
> ? ry ビットの割合を示します。
> ノイズレベルは、入力ごとに変更されるアクティブな入力ビット達の断片の割合を示します。
> ノイズの量を0と0.7の間で変更しました。
>
> 我々は、モデル性能の理論上の上限を推定する理想的なオブザーバーモデルを構築した（図4C、補足図9）。
> 学習中、理想的なオブザーバーモデルは、各オブジェクトの（フィーチャー、ロケーション）ペアのリストを記憶します。
> ? ry 記憶し、観測されたすべての対と各対の記憶された対のリストとの間の重なりを計算する。
> 推論の間、理想的なオブザーバーモデルは、観察された（特徴、位置）対のシーケンスを記憶し、その記憶された対の各オブジェクトのリストと観測された全ての対との間のオーバラップを計算する。
> 予測された物体は、観察されたすべての感覚と最も重複する物体である。
> ? 理想的な観測者とN列のマルチコラムネットワークを比較するために、私たちは感覚毎にN個のランダムに選択された観測を提供します。
> 理想的な観測者と N カラムのマルチカラムネットワークを比較する為に、 N 個のランダム選択された観測を感覚毎に私達は提供します。
> ? ry パフォーマンスは、現時点までのすべての感覚を与えられた場合にできる最高のものです。
> 理想的なオブザーバーモデルのパフォーマンスは、全ての感覚を与えられた場合に現時点までにできるザ・ベストです。
> また、同じフレームワークを使用して感覚機能のみを使用するモデルを作成しましたが、位置信号はありません（図4Cを参照）。
>
>
> 移動先：
> 著者寄稿
>
> JHは全体的な理論と神経科学への詳細なマッピングを想起し、シミュレーションの設計に役立ち、ほとんどの論文を書きました。
> SAとYCはシミュレーションを設計して実装し、アルゴリズムの数学的定式化を作成しました。
>
> 利害関係紛争の声明
>
> 著者らは、潜在的な利益相反と解釈できる商業的または財務的な関係がない場合に研究が行われたと宣言しています。
> ? ry 、Numenta Inc.
> JH、SA、およびYCは、Numenta Inc. に雇用されました。
> Numentaには、仕事に関連するいくつかの特許があります。
> Numentaは、この作品に含まれているすべてのアイデアを含む知的財産の使用は、非営利の研究目的では無料であると述べています。
> 加えて、Numentaは、GPL V3ライセンス（特許平和条項を含む）に基づいて、オープンソースとしてすべての関連ソースコードをリリースしました。
>
>
> 移動先：
> 謝辞
>
> 我々は、論文を大幅に改善するのに役立った彼らの詳細なコメントについて査読者に感謝します。
> 私たちは、彼の思慮深いコメントと提案についてJeff Gavornikに感謝します。
> ? 私たちはまた、Marcus Lewis、Nathanael Romano、および多くの議論のためのNumentaの他の多くの協力者に長年にわたり感謝 ry 。
> 私達は又 Marcus Lewis 、 Nathanael Romano 、及び Numenta の他の多くの協力者の長年に亘る多くの議論に感謝しています。
>
>
> 移動先：
> 脚注
>
> 資金調達。
>
> Numentaは非公開会社です。
> 資金調達源は、独立した投資家とベンチャーキャピタリストです。
>
>
> 移動先：
> 補足資料
>
> この記事の補足資料は、次のオンラインでご覧いただけます。http://www.frontiersin.org/articles/10.3389/fncir.2017.00081/full#supplementary-material
> 追加データファイルはこちらをクリックしてください（7.0M、MP4）。
> http://www.ncbi.nlm.nih.gov/pmc/articles/PMC5661005/bin/Video1.MP4
> 追加のデータファイルはこちら（2.8M、PDF）
> http://www.ncbi.nlm.nih.gov/pmc/articles/PMC5661005/bin/DataSheet1.PDF
>
>
> 移動先：
> 参考文献
>
> * Ahmad S.、Hawkins J.（2016）。
> ? スパースな表現で動作しますか？ ry
> どのようにニューロンはスパースな分散表現で動作しますか？ スパース性、ニューロンおよび活性樹状突起の数学的理論。
> arXiv：1601.00720 [q-NC]。
> * Ahveninen J.、J粐skel稟nen I. P、Raij T.、Bonmassar G.、Devore S.、H稾稻稟nen M.、et al。 （2006）。
> ヒトの聴覚野のタスク調節された "何"と "どこ"の経路。
> Proc。 Natl。 Acad。 Sci。 USA 103、14608-14613。 10.1073 / pnas.0510480103 [PMCフリー記事] [PubMed] [Cross Ref]
> * Andersen RA、Snyder LH、Li CS、Stricanne B. （1993）。
> ? ry 変換を調整します。
> 空間情報の表現における変換の調整。
> Curr。 Opin。 Neurobiol。 3、171-176。 10.1016 / 0959-4388（93）90206-E [PubMed] [Cross Ref]
> * Bastos AM、Usrey WM、Adams RA、Mangun GR、Fries P.、Friston KJ（2012）。
> ? ry 標準的な微細回路。
> 予測符号化のための標準微細回路。
> Neuron 76、695-711。 10.1016 / j.neuron.2012.10.038 [PMCフリー記事] [PubMed] [Cross Ref]
> * Billaudelle S.、Ahmad S.（2015）。
> htmモデルをハイデルベルグニューロモルフィックコンピューティングプラットフォームに移植する。
> arXiv：1505.02142 [q-NC]。
> * Binzegger T.、Douglas RJ、Martin KAC（2004）。
> 猫一次視覚野の回路の定量的地図。
> J.Neurosci。 24、8441-8453。 10.1523 / JNEUROSCI.1400-04.2004 [PubMed] [Cross Ref]
> * Bolognini N.、Maravita A.（2007）。
> 後頭頂皮質における視覚および体性感覚マップの固有感覚的アライメント。
> Curr。 Biol。 17,1890-1895。 10.1016 / j.cub.2007.09.057 [PubMed] [Cross Ref]
> * Bremmer F.（2000）。
> マカク領域V4の目の位置の効果。
> Neuroreport 11,1277-1283。 10.1097 / 00001756-200004270-00027 [PubMed] [Cross Ref]
> * Brotchie PR、Andersen RA、Snyder LH、Goodman SJ（1995）。
> ?.視覚刺激の位置を符号化するために頭頂部ニューロン ry 。
> 視覚刺激の位置をエンコードする為に頭頂葉ニューロンによって使用される頭部位置信号。
> Nature 375、232-235。 10.1038 / 375232a0 [PubMed] [Cross Ref]
> * Brotchie PR、Lee MB、Chen DY、Lourensz M.、Jackson G.、Bradley WG（2003）。
> ? ry 、ヒト頭頂葉の視野の活動 ry 。
> 頭部位置は、ヒト頭頂眼野の活動を調節する。
> Neuroimage 18、178-184。 10.1006 / nimg.2002.1294 [PubMed] [Cross Ref]
> * Bureau I.、Shepherd GMG、Svoboda K.（2004）。
> 新皮質における機能的および解剖学的カラムの正確な開発。
> Neuron 42、789-801。 10.1016 / j.neuron.2004.05.002 [PubMed] [Cross Ref]
> * Buxhoeveden DP（2002）。
> ? ry ミニカルト仮説。
> 神経科学におけるミニカラム仮説。
> Brain 125、935-951。 10.1093 / brain / awf110 [PubMed] [Cross Ref]
> * Chapin JK（1986）。
> ? ry の層内差
> ラットSI皮質における皮膚受容野のサイズ、形状、応答プロファイルの層差
> Exp。 Brain Res。 62,549-559。 10.1007 / BF00236033 [PubMed] [Cross Ref]
> * Chklovskii DB、Mel BW、Svoboda K.（2004）。
> 皮質再配線および情報記憶。
> Nature 431、782-788。 10.1038 / nature03012 [PubMed] [Cross Ref]
> * Constantinople CM、Bruno RM（2013）。
> 深部皮質層は、視床によって直接活性化される。
> Science 340,1591-1594。 10.1126 / science.1236425 [PMCフリー記事] [PubMed] [Cross Ref]
> * Craft E.、Schutze H.、Niebur E.、von der Heydt R.（2007）。
> ? フィギュア地組織 ry 。
> 図地組織の神経モデル。
> J. Neurophysiol。 97,4310-4326。 10.1152 / jn.00203.2007 [PubMed] [Cross Ref]
> * DeSouza JF、Dukelow SP、Vilis T.（2002）。
> ? 目の位置信号は、背部背部および腹部の視覚領域を調節する。
> アイポジション信号は、背側及び腹側の視覚野を早目に調節する。
> セレブ。 Cortex 12、991-997。 10.1093 / cercor / 12.9.991 [PubMed] [Cross Ref]
> * Douglas RJ、Martin KA（1991）。
> 猫視覚野の機能的微細回路。
> J. Physiol。 440,735-769。 10.1113 / jphysiol.1991.sp018733 [PMCフリー記事] [PubMed] [Cross Ref]
> * Douglas RJ、Martin KA（2004）。
> 新皮質のニューロン回路。
> Annu。 Neurosci教授。 27,419-451。 10.1146 / annurev.neuro.27.070203.144152 [PubMed] [Cross Ref]
> * Duhamel J.、Colby CL、Goldberg ME（1992）。
> The updating of the representation of visual representation visual space in parietal cortex by intended eye movements.
> ? 目の動きによる頭頂皮質の視覚表現空間の表現の更新。
> 目の意図的な動きによる頭頂葉の視覚表現可視空間の表現の更新。 ?
> Science 255,90-92。 10.1126 / science.1553535 [PubMed] [Cross Ref]
> * Feldmeyer D.、Brecht M.、Helmchen F.、Petersen CCH、Poulet JFA、Staiger JF、et al。 . 。 （2013）。
> バレル皮質機能。
> Prog。 Neurobiol。 103,3-27。 10.1016 / j.pneurobio.2012.11.002 [PubMed] [Cross Ref]
> * Feldmeyer D.、L?keJ.、Silver RA、Sakmann B.（2002）。
> ? 少年ラット胴皮質における第4 ry ピラミッド細胞対間のシナプス結合：皮質柱内の細胞間シグナル ry
> 少年ラットバレル皮質における第 4 層スピンニューロン層 2/3 錐体細胞対間のシナプス結合：皮質カラム内の層内間シグナル伝達の生理学および解剖学
> J. Physiol。 538、803-822。 10.1113 / jphysiol.2001.012959 [PMCフリー品] [PubMed] [Cross Ref]
> * Gavornik JP、Bear MF（2014年）。
> 一次視覚野における時空間シーケンス認識と予測の学習
> Nat。 Neurosci。 17,732-737。 10.1038 / nn.3683 [PMCフリー記事] [PubMed] [Cross Ref]
> * Gilbert CD（1977）。
> 猫初代視覚野 ry
> 猫一次視覚野における細胞の受容野特性の層内差
> J. Physiol。 268、391-421。 10.1113 / jphysiol.1977.sp011863 [PMCフリー記事] [PubMed] [Cross Ref]
> * Goodale MA、Milner AD（1992）。
> 知覚と行動のための別々の視覚経路。
> トレンドニューロサイエンス。 15,20-25。 10.1016 / 0166-2236（92）90344-8 [PubMed] [Cross Ref]
> * Graziano MS、Gross CG（1998）。
> 動きの制御のための空間マップ。
> Curr。 Opin。 Neurobiol。 8巻、195-201頁。 10.1016 / S0959-4388（98）80140-2 [PubMed] [Cross Ref]
> * Graziano MS、Hu XT、Gross CG（1997）。
> ? 腹側前庭皮質の ry 。
> 腹側運動前野の視空間特性。
> J. Neurophysiol。 77、2268-2292。 [PubMed]
> * Guillery RW、Sherman SM（2011）。
> 枝分かれした視床求心路：彼らが大脳皮質に伝えるメッセージは何ですか？
> Brain Res。 Rev.66、205-219。 10.1016 / j.brainresrev.2010.08.001 [PMCフリー記事] [PubMed] [Cross Ref]
> * Guy J.、Staiger JF（2017）。
> 層のない皮質の機能。
> フロント。 Neuroanat。 11:54。 10.3389 / fnana.2017.00054 [PMCフリー記事] [PubMed] [Cross Ref]
> * Haeusler S.、Maass W.（2007）。
> ? 椎弓板特有 ry
> 薄層特有の皮質微小回路モデルの情報処理特性の統計解析
> セレブ。 Cortex 17、149-162。 10.1093 / cercor / bhj132 [PubMed] [Cross Ref]
> * Hafting T.、Fyhn M.、Molden S.、Moser M.-B.、Moser EI（2005）。
> 嗅内皮質における空間マップの微細構造
> Nature 436、801-806。 10.1038 / nature03721 [PubMed] [クロスリファレンス]
> * Hawkins J.、Ahmad S.（2016）。
> ニューロンが何千ものシナプスを持っているのはなぜ、新皮質におけるシーケンス記憶の理論。
> フロント。 神経回路10:23。 10.3389 / fncir.2016.00023 [PMCフリー記事] [PubMed] [Cross Ref]
> * Helmstaedter M.、Sakmann B.、Feldmeyer D.（2009）。
> ? ニューロンは、皮質柱を参照して、局所的、横方向および椎間板の阻害を相関させる。
> 皮質カラムを参照を伴う、 局所的、横方向及び薄膜間の抑制の神経相関。
> セレブ。 Cortex 19、926-937。 10.1093 / cercor / bhn141 [PubMed] [Cross Ref]
> * Hill S.、Tononi G.（2004）。
> 視床皮質系における睡眠および覚醒のモデリング。
> J. Neurophysiol。 93,1671-1698。 10.1152 / jn.00915.2004 [PubMed] [Cross Ref]
> * Horton JC、Adams DL（2005）。
> 皮質柱：機能のない構造。
> フィロス。 Trans。 R. Soc。 Lond。 B Biol。 Sci。 360,837-862。 10.1098 / rstb.2005.1623 [PMCフリー記事] [PubMed] [Cross Ref]
> * Hubel D.、Wiesel TN（1962）。
> 猫の視覚野における受容野、両眼相互作用および機能的構造。
> J. Physiol。 160、106-154。 10.1113 / jphysiol.1962.sp006837 [PMCフリー品] [PubMed] [Cross Ref]
> * Hunt JJ、Bosking WH、Goodhill GJ（2011）。
> 一次視覚野における側方接続の統計的構造。
> 神経系 回路1：3。 10.1186 / 2042-1001-1-3 [PMCフリーの記事] [PubMed] [Cross Ref]
> * Iyer R.、Mihalas S.（2017）。
> ? ry 実現する。
> 皮質回路は、最適なコンテキスト統合を実装する。
> bioRxiv。 10.1101 / 158360 [Cross Ref]
> * Jones EG（2000）。
> 大脳皮質のマイクロコラム。
> Proc。 Natl。 Acad。 Sci。 USA 97、5019-5021。 10.1073 / pnas.97.10.5019 [PMCフリー記事] [PubMed] [Cross Ref]
> * Kakei S.、Hoffman DS、Strick PL（2003）。
> 皮質運動領域における感覚運動変換。
> Neurosci。 Res。 46,1-10。 10.1016 / S0168-0102（03）00031-2 [PubMed] [Cross Ref]
> * Kim EJ、Juavinett AL、Kyubwa EM、Jacobs MW、Callaway EM（2015）。
> ? 脳全体の接続性と機能が ry
> 脳全体に亘っての接続性と機能とが異なる3種類の皮質層5ニューロン。
> Neuron 88、1253-1267。 10.1016 / j.neuron.2015.11.002 [PMCフリー記事] [PubMed] [Cross Ref]
> * Kim J.、Matney CJ、Blankenship A.、Hestrin S.、Brown SP（2014）。
> ? 層6の皮質大脳ニューロン ry 。
> 層6の皮質視床ニューロンは、皮質の出力層、層5aを活性化する。
> J.Neurosci。 34、9656-9664。 10.1523 / JNEUROSCI.1325-14.2014 [PMCフリー記事] [PubMed] [Cross Ref]
> * Kropff E.、Carmichael JE、Moser M.-B.、Moser EI（2015）。
> ? 内側嗅内皮質の細胞をスピードアップする。
> 内側の嗅内野の高速な細胞。
> Nature 523、419-424。 10.1038 / nature14622 [PubMed] [クロスリファレンス]
> * LeCun Y.、Bengio Y.、Hinton G.（2015）。
> ? 深い学習。
> 深層学習。
> Nature 521,436-444。 10.1038 / nature14539 [PubMed] [Cross Ref]
> * Lee S.、Carvell GE、Simons DJ（2008）。
> ? 求心性感覚回路のモーターモジュレーション。
> 求心性の体性感覚感覚回路の運動調整。
> Nat。 Neurosci。 11,1430-1438。 10.1038 / nn.2227 [PMCフリー記事] [PubMed] [Cross Ref]
> * Lefort S.、Tomm C.、Floyd Sarria J.-C.、Petersen CCH（2009）。
> ? マウス初代体性感覚皮質 ry 。
> マウス一次感覚皮質におけるC2バレルカラムの興奮性ニューロンネットワーク。
> Neuron 61、301-316。 10.1016 / j.neuron.2008.12.020 [PubMed] [Cross Ref]
> * Lemmon V.、Pearlman AL（1981）。
> ? 層状の位置は、 ry ？ ry 皮質細胞の研究。
> 層状的な位置は、皮質ニューロンの受容野特性を決定するか？ 正常なマウスおよびリール突然変異体の領域17における皮質視蓋細胞の研究。
> J. Neurosci。 1,83-93。 [PubMed] [PubMed]
> * Li N.、DiCarlo JJ（2008）。
> ? ry 不変のオブジェクト表現 ry 。
> 教師なしの自然体験は、視覚野における不変オブジェクト表現を急速に変化させる。 ?
> Science 321、1502-1507。 10.1126 / science.11??60028 [PMCフリー記事] [PubMed] [Cross Ref]
> * Lohmann H.、R?igB.（1994）。
> ? ラットの視覚野外視野における ry 。
> ラットの視覚野外線条皮質に於ける顆粒膜上の錐体細胞間の長距離水平結合。
> J. Comp。 Neurol。 344,543~558。 10.1002 / cne.903440405 [PubMed] [Cross Ref]
> * Losonczy A.、Makara JK、Magee JC（2008）。
> ? コンパートメント化された樹状突起可塑性およびニューロンにおける入力特徴記憶。
> ニューロンにおける樹状突起区画ごとの可塑性と入力フィーチャの保存。
> Nature 452,436-441。 10.1038 / nature06725 [PubMed] [Cross Ref]
> * Lubke J.、Egger V.、Sakmann B.、Feldmeyer D.（2000）。
> ? ry 興奮性棘ニューロンの樹状突起および軸索の柱状組織化。
> ラットバレル皮質の層4における単一およびシナプス結合興奮性有棘細胞の樹状突起及び軸索のカラム状組織化。
> J.Neurosci。 20,5300-5311。 [PubMed]
> ? * Luhmann HJ、歌手W.、Mart?ez-Mill疣L.（1990）。
> # Luhmann H. J., Singer W., Mart ez-Mill L. (1990).
> cat strientes皮質における水平相互作用：I.解剖学的基質と生後発達
> 線条皮質 ?
> ユーロ。 J.Neurosci。 2、344-357。 10.1111 / j.1460-9568.1990.tb00426.x [PubMed] [Cross Ref]
> * Maass W.（1997）。
> スパイクニューロンのネットワーク：第3世代のニューラルネットワークモデル。
> ニューラルネットワーク。 10,1659-1671。 10.1016 / S0893-6080（97）00011-7 [Cross Ref]
> * Mangini NJ、Pearlman AL（1980）。
> マウスの一次視覚野における受容野特性の層分布。
> J. Comp。 Neurol。 193、203-222。 10.1002 / cne.901930114 [PubMed] [Cross Ref]
> * Markov NT、Ercsey-Ravasz M.、Van Essen DC、Knoblauch K.、Toroczkai Z.、Kennedy H.（2013）。
> 皮質高密度逆流アーキテクチャ。
> Science 342：1238406。 10.1126 / science.1238406 [PMCフリー記事] [PubMed] [Cross Ref]
> * Markram H.、Muller E.、Ramaswamy S.、Reimann MW、Abdellah M.、Sanchez CA、et al。 。 （2015）。
> 新皮質微小回路の再構築とシミュレーション。
> Cell 163,456-492。 10.1016 / j.cell.2015.09.029 [PubMed] [Cross Ref]
> * Martin KAC、Schr?erS.（2013）。
> ? ry する猫初代視覚野の隣接ニューロンにおける機能的異質性
> 人工刺激と自然刺激の両方に応答するネコ一次視覚野の近接ニューロンに於ける機能的ヘテロ性
> J.Neurosci。 33、7325-7344。 10.1523 / JNEUROSCI.4071-12.2013 [PubMed] [Cross Ref]
> * McGuire BA、Hornung JP、Gilbert CD、Wiesel TN（1984）。
> ? ネコの層4へのシナプス入力のパターンは、皮質皮質を透過する。
> ネコ線条皮質のレイヤ 4 へのシナプス入力のパターン。
> J.Neurosci。 4、3021-3033。 [PubMed]
> * Meyer HS、Schwarz D.、Wimmer VC、Schmitt AC、Kerr JND、Sakmann B.、et al。 。 （2011年）。
> 皮質柱における抑制性介在ニューロンは、層2および5Aにおける抑制のホットゾーンを形成する。
> Proc。 Natl。 Acad。 Sci。 USA 108,16807-16812。 10.1073 / pnas.1113648108 [PMCフリー記事] [PubMed] [Cross Ref]
> * Moser EI、Kropff E.、Moser M.-B. （2008）。
> ? セル、グリッドセル、および脳の空間表現システムを配置します。
> 場所細胞、グリッドセル、及び脳の空間表現システム。
> Annu。 Neurosci教授。 31巻、69~89頁。 10.1146 / annurev.neuro.31.061307.090723 [PubMed] [Cross Ref]
> * Moser EI、Roudi Y.、Witter MP、Kentros C.、Bonhoeffer T.、Moser M.-B. (2014). （2014）。
> グリッド細胞および皮質表現。
> Nat。 Neurosci教授。 15,466-481。 10.1038 / nrn3766 [PubMed] [Cross Ref]
> * Moser M.-B.、Rowland DC、Moser EI（2015）。
> ? セル、グリッドセル、およびメモリを配置します。
> 場所細胞、グリッドセル、及び記憶。
> コールドスプリングハーブ。 パースペクティブ。 Biol。 7：a021808。 10.1101 / cshperspect.a021808 [PMCフリーの記事] [PubMed] [Cross Ref]
> * Mountcastle V.（1978）。
> 脳機能の組織原理：ユニットモデルと分散システム、
> The Mindful Brain、Edsman G.、Mountcastle V.、editors。 （ケンブリッジ、マサチューセッツ州：MIT Press;）、7-50。
> * Mountcastle VB（1997）。
> ? ry 円柱組織。
> 新皮質の円柱状組織。
> Brain 120,701-722。 10.1093 / brain / 120.4.701 [PubMed] [Cross Ref]
> * Movshon JA、Thompson ID、Tolhurst DJ（1978）。
> ネコの線条皮質における複雑な細胞の受容野の組織化。
> J. Physiol。 283、79-99。 10.1113 / jphysiol.1978.sp012489 [PMCフリー品] [PubMed] [Cross Ref]
> * Nakamura K.、Colby CL（2002）。
> ? サッカード中のサルストライテーションおよび外眼皮質の ry 。
> サッカード中のサル有線領及び外線条皮質の視覚的表現の更新。
> Proc。 Natl。 Acad。 Sci。 USA 99,4026-4031。 10.1073 / pnas.052379899 [PMCフリー記事] [PubMed] [Cross Ref]
> * Pouget A.、Snyder LH（2000）。
> 感覚運動変換に対する計算上のアプローチ。
> Nat。 Neurosci。 3、1192-1198。 10.1038 / 81469 [PubMed] [Cross Ref]
> * Raizada RDS、Grossberg S.（2003）。
> 大脳皮質の層状構造理論に向けて：視覚系からの計算手がかり。
> セレブ。 Cortex 13,100-113。 10.1093 / cercor / 13.1.100 [PubMed] [Cross Ref]
> * Ramaswamy S.、Markram H.（2015）。
> ? 太いタフテッド層のピラミッド型ニューロン ry 。
> 太い tufted 第 5 レイヤの錐体ニューロンの解剖学および生理学。
> フロント。 細胞。 Neurosci。 9：233。 10.3389 / fncel.2015.00233 [PMCフリー記事] [PubMed] [Cross Ref]
> * Reimann MW、Anastassiou CA、Perin R.、Hill SL、Markram H.、Koch C.（2013）。
> ? ry 、活発な膜電流の重要な役割を予測する。
> 新皮質局所電場電位の生物物理的詳細モデルは、活性膜電流の重大な役割を予測する。
> Neuron 79、375-390。 10.1016 / j.neuron.2013.05.023 [PMCフリー記事] [PubMed] [Cross Ref]
> * Reyes-Puerta V.、Kim S.、Sun J.-J.、Imbrosci B.、Kilb W.、Luhmann HJ（2015a）。
> バレル皮質抑制介在ニューロンにおける高刺激関連情報。
> PLoS Comput。 Biol。 11：e1004121。 10.1371 / journal.pcbi.1004121 [PMCフリー記事] [PubMed] [Cross Ref]
> * Reyes-Puerta V.、Sun J.-J.、Kim S.、Kilb W.、Luhmann HJ（2015b）。
> ? ラット大脳皮質の感覚誘発性多巣性スパイク配列の層内および柱状構造。
> 成体 in vivo ラットバレル皮質の感覚誘発性マルチニューロンスパイクシーケンスの層状及びカラム状構造。
> セレブ。 Cortex 25、2001-2021。 10.1093 / cercor / bhu007 [PubMed] [Cross Ref]
> * Rizzolatti G.、Cattaneo L.、Fabbri-Destro M.、Rozzi S.（2014）。
> ? 目標指向行動と鏡像ニューロンに基づく行動理解の組織の基礎となる皮質メカニズム。
> 目標指向行動とニューロンベース行動理解鏡像化との組織化の基礎となる皮質メカニズム。
> Physiol。 Rev.94、655-706。 10.1152 / physrev.00009.2013 [PubMed] [Cross Ref]
> * Rockland KS（2010）。
> 列の5つのポイント。
> フロント。 Neuroanat。 4:22。 10.3389 / fnana.2010.00022 [PMCフリー記事] [PubMed] [Cross Ref]
> * Russo GS、Bruce CJ（1994）。
> ? ry 前眼部活動。
> 聴覚的に導かれたサッカードに先行する前頭眼野活動。
> J. Neurophysiol。 71,1250-1253。 [PubMed] [PubMed]
> * Rust NC、DiCarlo JJ（2010）。
> 視覚情報が皮質領域V4からITに伝播するにつれて、選択性と許容差（「不変性」）は共に増加する。
> J.Neurosci。 30,12978-12995。 10.1523 / JNEUROSCI.0179-10.2010 [PMCフリーの記事] [PubMed] [Cross Ref]
> * Sarid L.、Bruno R.、Sakmann B.、Segev I.、Feldmeyer D.（2007）。
> ラット新皮質における単一カラムの層4対層2/3モジュールのモデリング：インビトロおよびインビボの実験観察を織り交める。
> Proc。 Natl。 Acad。 Sci。 USA 104、16353-16358。 10.1073 / pnas.0707853104 [PMCフリー記事] [PubMed] [Cross Ref]
> * Schnepel P.、Kumar A.、Zohar M.、Aertsen A.、Boucsein C.（2015）。
> ラット新皮質における生理学および水平接続の影響。
> セレブ。 Cortex 25,3818-3835。 10.1093 / cercor / bhu265 [PubMed] [Cross Ref]
> * Sherman SM、Guillery RW（2011）。
> ? 直接および経表皮皮質皮質接続のための ry
> 直接及び経視床皮質皮質間接続の為の明確な機能。
> J. Neurophysiol。 106、1068-1077。 10.1152 / jn.00429.2011 [PubMed] [Cross Ref]
> * Shipp S.（2007）。
> 大脳皮質の構造と機能
> Curr。 Biol。 17、R443-R449。 10.1016 / j.cub.2007.03.044 [PubMed] [Cross Ref]
> * Spruston N.（2008）。
> 錐体ニューロン：樹状突起構造とシナプス統合。
> Nat。 Neurosci教授。 9,206-221。 10.1038 / nrn2286 [PubMed] [Cross Ref]
> * St. John-Saaltink E.、Kok P.、Lau HC、de Lange FP（2016）。
> ? 知覚的決定における連続的依存は、 ry 活動パターン ry 。
> 知覚的意思決定に於ける連続依存性は、一次視覚野における活性パターンに反映される。
> J.Neurosci。 36、6186-6192。 10.1523 / JNEUROSCI.4390-15.2016 [PubMed] [Cross Ref]
> * Stettler DD、Das A.、Bennett J.、Gilbert CD（2002）。
> ? マカク原発性視覚野の側方接続性 ry 。
> マカク視覚第一野の側方接続性と文脈的相互作用。
> Neuron 36,739-750。 10.1016 / S0896-6273（02）01029-2 [PubMed] [Cross Ref]
> * Stuart GJ、H舫sserM.（2001）。
> EPSPおよび活動電位の樹状突起の同時検出。
> Nat。 Neurosci。 4,63-71。 10.1038 / 82910 [PubMed] [Cross Ref]
> * Thomson AM（2010）。
> 新皮質層6、レビュー。
> フロント。 Neuroanat。4:13。 10.3389 / fnana.2010.00013 [PMCフリー記事] [PubMed] [Cross Ref]
> Thomson AM、Bannister AP（2003）。
> 新皮質における層内接続。
> セレブ。 Cortex 13,5-14。 10.1093 / cercor / 13.1.5 [PubMed] [Cross Ref]
> * Thomson AM、Lamy C.（2007）。
> 新皮質局所回路の機能マップ。
> フロント。 Neurosci。 1,19-42。 10.3389 / neuro.01.1.1.002.2007 [PMCフリー記事] [PubMed] [Cross Ref]
> * Traub RD、Contreras D.、Cunningham MO、Murray H.、LeBeau FEN、Roopun A.、et al。 。 （2004）。
> ? ガンマ振動、睡眠スピンドル、およびてんかん発生バースト ry 。
> ガンマ振動、睡眠紡錘波、及びてんかん性バーストを示す単一カラムの視床皮質ネットワークモデル。
> J. Neurophysiol。 93,2194-2232。 10.1152 / jn.00983.2004 [PubMed] [Cross Ref]
> * Trotter Y.、Celebrini S.（1999）。
> ? ry 、主要な視覚野皮ニューロン ry 。
> 注視方向は、一次視覚野ニューロンにおける応答ゲインを制御する。
> Nature 398,239-242。 10.1038 / 18444 [PubMed] [Cross Ref]
> * Ungerleider LG、Haxby JV（1994）。
> ? 人間の脳の「何」と「どこで」。
> ヒト脳内での「何」と「どこ」。
> Curr。 Opin。 Neurobiol。 4,157-165。 10.1016 / 0959-4388（94）90066-3 [PubMed] [Cross Ref]
> * Viaene AN、Petrof I.、Sherman SM（2011a）。
> 一次体性感覚および聴覚皮質の層2/3および4への視床入力のシナプス特性。
> J. Neurophysiol。 105,279-292。 10.1152 / jn.00747.2010 [PMCフリー記事] [PubMed] [Cross Ref]
> * Viaene AN、Petrof I.、Sherman SM（2011b）。
> ? ry の亜粒状層への ry 。
> マウスにおける一次体性感覚および聴覚皮質の顆粒下層への視床入力のシナプス特性。
> J.Neurosci。 31、12738-12747。 10.1523 / JNEUROSCI.1565-11.2011 [PMCフリー記事] [PubMed] [Cross Ref]
> * Vinje WE、Gallant JL（2002）。
> 非古典的受容野の自然刺激は、V1における情報伝達効率を増加させる。
> J.Neurosci。 22,2904-2915。 [PubMed]
> * Werner-Reiss U.、Kelly KA、Trause AS、Underhill AM、Groh JM（2003）。
> 目の位置は霊長類の一次聴覚野の活動に影響する。
> Curr。 Biol。 13,554~562。 10.1016 / S0960-9822（03）00168-4 [PubMed] [Cross Ref]
> * Yen S.-C.、Baker J.、Gray CM（2006）。
> ? cat strientate cortexにおける ry における異種性。
> ネコ strientate 皮質に於ける自然な刺激に対する隣接ニューロンの応答に於けるヘテロ性。
> 線条皮質 ?
> J. Neurophysiol。 97,1326-1341。 10.1152 / jn.00747.2006 [PubMed] [Cross Ref]
> * Zhou H.、Friedman HS、von der Heydt R.（2000）。
> ? サル視覚野における境界所有権の符号化。
> サル視覚野に於ける Border-Ownership のコーディング。
> J.Neurosci。 20、6594-6611。 [PMCフリーの記事] [PubMed]
> * Zipser D.、Andersen RA（1988）。
> ? 後方壁面ニューロン ry 。
> 後頭頂葉ニューロンのサブセットの応答特性をシミュレートするバックプロパゲーションプログラムされたネットワーク。
> Nature 331、679-684。 10.1038 / 331679a0 [PubMed] [Cross Ref]
>
>
>
> --
:
> 脳部位の日本語名と英語名まとめ - Ambivalent Wanderer
> http://mikenerian.hatenablog.com/entry/2016/02/24/035333
--
YAMAGUTIseisei ( str_h__namae = { :sei => "山口" , :mei => "青星" } )
http://hello.to/seisei/ mailto:seisei@.68..net tel:081-70-5152-1104
heiwa furiisekkusu 1tu
Fnews-brouse 1.9(20180406) -- by Mizuno, MWE <mwe@ccsf.jp>
GnuPG Key ID = ECC8A735
GnuPG Key fingerprint = 9BE6 B9E9 55A5 A499 CD51 946E 9BDC 7870 ECC8 A735