2014 Fiscal Year Annual Research Report
感覚神経回路における同期発火の神経機構とその情報科学的意義の解明
| Project/Area Number |
14J08282
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
唐木田 亮 東京大学, 新領域創成科学研究科, 特別研究員(DC1)
|
|---|
| Project Period (FY) |
2014-04-25 – 2017-03-31
|
| Keywords | ニューラルネットワーク / ボルツマンマシン / 機械学習 / 教師無し学習 |
|---|
| Outline of Annual Research Achievements |
本研究の目的は, 感覚系神経回路の理論モデルを構築し, 同期発火の情報処理メカニズムを解明することである. 現実の神経回路で生じる発火活動と情報処理を理論モデル上で再現するためには, 適切なシナプス結合強度をモデルに組み込む必要がある. 特に, 現実の神経回路では, シナプス結合強度が入力刺激に応じて一定の規則で変化する, 学習という現象が知られている. 本年度は, 2層神経回路モデルにおいて, シナプス結合の学習が抽出する情報を理論計算によって明らかにした.
具体的には, 制限付きボルツマンマシン(RBMモデル)を使って, 入力刺激に応じた学習後のシナプス結合強度の値を解析的に求めた. 求めたシナプス結合強度に対し, 同時発火確率分布を計算することで, RBMモデルでは入力刺激の一部を各ニューロンが表現しており, 層内のニューロンが同時に同期発火することで入力情報全体を表現できることが判明した. さらに, 学習後のRBMモデルは入力刺激の中から特徴的な情報だけを選択できることも理論的に明らかにした.
本研究成果は, 26年度に実施予定であった同期発火分布の定式化および定量化をRBMモデルによって達成しつつ, 27年度に実施予定であった同期発火による情報表現の解明も部分的に達成している. 特に, 本研究成果は入力刺激の種類に依存せず, 視覚・聴覚・嗅覚といった様々な感覚系に普遍的な性質を解明している点で重要である. また, RBMモデルの学習は, 機械学習の一手法として画像認識や音声識別で実用されていることから, 本年度の研究成果は神経回路の理論モデルとしてだけでなく工学的手法の性能評価としても意義がある.
以上の研究成果をまとめて, 国内学会2件における口頭発表, 1件におけるポスター発表, および査読有り国際学会における1件のポスター発表を行った.
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
26年度の課題の一つは, シナプス結合の構造を組み込んだモデルで同期発火確率を解析的に定式化することであった. 定式化の課題は, RBMモデルを利用することで達成できた. またRBMモデルでは, 理論計算によって, 発火確率とその発火が担う情報表現を求めることに成功した. 当初の計画では, 発火が担う情報表現の解明は27年度に実施する予定であった. これに対し, 26年度は情報表現まで部分的に解明できたため, 当初の計画以上に進展しているといえる. さらに, 当初の研究計画では, 視覚や聴覚といった感覚系はシナプス結合構造や発火活動に複雑性が知られているため, 比較的単純なシナプス結合と発火活動が知られている嗅覚に解析対象を限定することを予定していた. これに対し, 26年度はシナプス結合の構造の決定に学習を使用することで, 入力刺激に依存しない普遍的な研究成果を得た. したがって, 嗅覚に限らない, より一般的な感覚系の発火活動とその情報科学的意義を解明できている点においても, 当初の計画以上に進展しているといえる.
|
| Strategy for Future Research Activity |
26年度に引き続き, 同期発火およびその情報処理の解明に向けて, RBMモデルの解析を進める. 26年度の時点で, 発火確率と情報表現の対応関係は部分的に解明できた. しかし, 全入力刺激に対して, どの程度の割合の情報を表現できているのかという定量的な評価は達成できていない. 当初の計画で27年度は情報表現の定量的な性能評価を目標としていることから, RBMモデルの情報表現に対して適切な定量化の指標を構築することが今後の課題である. また, 27年度はモデルが入力刺激をどれだけ識別できるか性能評価することも当初の計画である. 識別性能の評価は, RBMモデルに入力刺激と同時に正しい出力情報も入力した場合の学習, すなわち, RBMモデルの教師あり学習を解析することで達成できると期待される.
なお, 当初の研究計画では, 同期発火の確率分布を導出したのち発火相関を計算し, 同期発火と情報表現の対応を, 発火相関をとおして間接的に議論することを予定していた. しかし, RBMモデルを使用することで, 発火相関を計算せずに同期発火確率と情報表現の対応を直接的に議論することが可能になったため, 今後は特に必要とならない限り, 発火相関の計算は省いて研究を推進できると期待される.
|
Research Products
(5 results)
