| 研究概要 |
高等生物において,外界からの情報が脳内で解析的に処理された後,いかにそれらが統合されるかを説明する問題をバインディング問題とよぶ.本研究では,バインディングを説明できるニューラルモデルの構築と応用を目指して研究を行った.従来のモデルでは,バインディングを説明するためのスパイクの同期あるいは相関を表すことができない.そこで,本研究では従来のアナログニューラルモデルの自然な拡張で,スパイクの相関や同期を位相として表現できる位相ニューラルモデルを開発し,その正当性と学習アルゴリズムを提案した.提案した位相ニューラルモデルは,振動モデルと,コバリアンスモデルの二つであり,これらに対し,Hebb学習則の提案とボルツマン学習規則を導出し,その計算機シミュレーション実験と応用を行った.まず,Hebb規則では,コバリアンスを考慮した本来の意味での学習則が初めて簡単な数理モデルに組み込めた.シミュレーション実験では,これが収束することを確認し,文字認識への応用を行った.さらに,ボルツマンマシンの学習規則が位相モデルに自然に拡張できることを示し,学習規則を導いた.とくにコバリアンス位相モデルは,従来のミーンフィールドモデルの拡張であり,相関も考慮しているため精度良く確率モデルの近似が行われる.計算機シミュレーションの結果,ミーンフィールドモデルでは収束しない多くの問題が,位相コバリアンスモデルでは収束することが示された.本研究では更に,学習の汎化性能を解析しいくつかの基本的な結果を,得ることができた.またバインディングに関して理論的モデルを構築した結果得られた知見を,音声認識と脳波識別に応用し従来のものより格段に性能の良い識別機を提案した.
|
