文摘

根据数据帧理论,意会macrocognitive过程,人们试图理解或解释他们的观察处理解释结构称为帧数,直到观察和帧变得一致。在意会过程中,顶叶皮层已经涉及多种认知任务相关的功能空间和时间信息处理、数学思维和空间的关注。特别是,顶叶皮层扮演重要角色通过提取多个表示大小的感知分析的早期阶段。通过一系列的神经网络模拟,我们表明,分离不同类型的空间信息可以早期(即一个类似的结构。常见的指标),灵敏度,但准确的表征需要特定目标导向自上而下的控制由于干涉选择性注意。我们的研究结果表明,顶叶皮层的角色依赖于多个空间表征的层次组织和他们的相互作用。不同类型的空间信息之间的分离和干扰本质上是竞争的结果在不同的抽象级别。

1。介绍

意会是一个复杂的认知活动,人们理解或解释他们的经验或观察。意会在人类日常生活中无处不在。意会的例子包括医疗诊断、科学发现、情报分析。虽然似乎表明意会的核心是绑架(一个推理过程,生成和评估解释数据稀疏,嘈杂的,和不确定的),毫无疑问,意会不是一个原始的神经认知过程。相反,意会由更基本的认知过程的集合(如知觉、注意、学习、记忆,和决策)一起工作,当然也包括一组大脑前额叶皮层后地区的系统。

根据意会的数据帧理论,人们拥有的解释结构,称为帧,人们试图适应数据成帧和适合一帧数据,直到数据和框架成为一致(1- - - - - -3]。意会被称为macrocognitive过程,它涉及复杂的数据帧交互(例如,帧形状,定义数据,数据识别和授权帧),因此需要从多个认知过程/系统协调活动,包括注意、学习、记忆、推理和决策。而许多不同类型的综合处理模式存在,数据帧理论集中了清晰的出现说明结构和学习的机会的从环境中提取统计规律(4]。这种方法使得理论特别吸引人当任务环境是复杂的,人们必须做出决定在多个信号的存在极大的不确定性。

图1描述了一个反叛乱监视示例(以下COIN-AHA问题),分析师的面对地图记录了过去攻击多个敌人组。(详细的建模问题,看到斜方的技术报告,在出版社)。的任务是估计敌人集团将更有可能负责提供的新攻击位置(感兴趣的点,POI)。这个任务显然是意会的任务。特别是,由于任务刺激呈现在空间环境中,有效的意会,不同类型的空间环境的属性必须在第一时间获得。例如,有多少攻击是由每组(例如,包括从视觉输入对象的数量)?每组的面积有多大的攻击覆盖(例如,分散的看法或大小)?距离是一种新的攻击每个小组的活动区域(例如,估计距离)?

多个认知步骤中决策、顶叶皮层(PC)已经涉及到各种任务的功能与空间和时间相关信息处理,数学思维,和空间的关注5- - - - - -8]。在COIN-AHA意会理解处理的任务,所有这些功能无疑是相关的。在本文中,我们报告一个计算模型来模拟意会顶叶皮层的各种功能模块(因此PC)。在这一过程中,我们希望提供一个集成的理论顶叶皮层的时空处理。

2。值表示在顶叶皮层

中央主题建模的顶叶皮层COIN-AHA任务是估计,表示,和集成的基于不同空间的大小属性值如numerosity集团中心,距离,和概率。我们深入了解建模的细节之前,我们首先讨论顶叶皮层的独特作用的价值表示在这一大背景下的判断和决策。

首先,在大多数的决策理论,价值表现被认为是决策过程的重要组成部分。一个极端的程度上,整个过程的决策是关于价值表示(例如,[9])。Vlaev et al。10总结了三种类型的决策理论。“I型”的方法,价值决策,是基于独立和绝对价值尺度(例如,11])。“二型”,网络决策与价值计算,基于比较主观的价值大小表征是上下文相关的(例如,12])。“类型III”,网络计算决策没有价值,没有明确的psychoeconomic尺度,可以达到和决定二进制比较,例如,通过“优先启发式”(例如,[13])。尽管不同口味,所有三种类型的决策理论必须依靠某种形式的值表示。不同之处在于只在特定的形式和在决策阶段的价值表示:例如,稳定值表示是否会导致决策(I型)或由上下文信息调制(II型),还是值是红衣主教范围(例如,数量或magnitude-like类型I和II)或一个顺序量表(如二进制比较类型III),神经,我们感兴趣的神经关联值决策除了本身的值表示。据报道,各种类型的值的神经关联存在于众多的地区,如眼窝前额皮质、顶叶皮层、后扣带回皮层、背外侧前额叶皮层、前运动皮层、额眼字段(评论,请参阅,9,14])。因此,它是至关重要的检查根据目的和不同类型的值表示域的大脑功能。

与其他大脑区域相比,顶叶皮层在改变中扮演着独特的角色从环境空间和时间信息,如时间、距离、速度、规模、和numerosity magnitude-like价值表征(5,15]。神经解剖学的,顶叶皮层接收来自多个感官的预测模式,包括视觉、躯体感觉和听觉。此外,它接收输入的皮层下collicular通路,由上丘和枕和被认为是密切相关的空间定向和眼动控制(6,16,17]。最重要的是,顶叶皮层已被确认为背”,“通路的一部分18]。它已经表明,有一个共同的标准时间、空间和数量表征驻留在顶叶皮层,因为需要通过汽车交互学习环境和行动对相关变量进行编码5,15]。皮层连接的这种模式让顶叶皮层的理想系统集成来自多个modality-specific和不稳定的和提取空间信息的感官渠道和实现supramodal和更稳定的空间表征。

虽然值的编码可以在所有阶段的相关决策和展览在许多脑区神经元相关,值表示在顶叶皮层的独特之处在于,它是封闭的接近和特异性(7]。例如,功能磁共振成像研究显示,当参与者被指示比较数量,大小,和亮度,激活左和右壁内的沟(IPS)显示了一个与behavioral-distance效应[的紧密相关7,19]。而海马、海马旁地区显然是参与空间认知,他们并不拥有的近距离空间和顶叶皮层和数值表示。虽然额地区参与空间和计算任务,顶叶激活一组更受限制的认知过程相关。这种特异性可能是最明显的对比眼窝前额皮质(OFC)和横向壁内的区域(嘴唇)。一般来说,嘴唇所代表的值神经元编码更受调制的反应空间属性的视觉刺激9]。尽管有证据表明,神经元在唇概率分类敏感,似乎这种敏感性是有限的视觉属性的简单集成(例如,形状的组合)20.]。相比之下,神经元在离岸金融中心代表商品本身的价值(概率,奖励等)、独立的商品作为视觉(9]。至关重要的是,两国的水平段壁内的沟(臀部)一直在算术任务激活人类与人类假定的腹侧壁内的区域基本一致(VIP),和这样一个比较重叠过程和空间网络的ip被认为占行为表示的数量和空间之间的相互作用(7]。总之,顶叶皮层,特别是IPS,可能第一皮质阶段提取视觉数字信息从视觉输入8]。

的另一个方面的特异性顶叶皮层的空间处理来自帧的选择()的引用。虽然空间表征顶叶皮层通常网膜代表前,空间表征的顶叶皮层已经改变,通常以自我为中心。在人类假定的同系物的猕猴IPS地区,嘴唇代表目标的位置在一个eye-centered参照系和参与空间更新。腹侧壁内的(VIP)代表目标head-centered参照系,和前壁内的(AIP)代表空间hand-centered坐标(7]。根据理论框架reference-based显著的地图(形式),顶叶皮层的空间表征一样使用一系列自我中心框架的引用(例如,眼睛为中心,集中,和身体为中心,等等),以允许快速行动(21- - - - - -23]。此外,内在表示,这代表之间的关系用world-centered参照系但通常涉及某种程度的角度,也在顶叶皮层编码,特别是后顶叶皮层(24]。此外,编码的值顶叶皮层往往是在近似水平而不是准确的。例如,它已经表明,拓扑比较和近似指标编码在顶叶皮层,和具体空间指标编码在海马体(25]。

按照上述理论,我们指定电脑模块负责(1)提取和代表相关的空间信息(即。,提供相关数据等frame-matching半径,组织中心和两种类型的距离);(2)提供机制将注意力转向过程中(即。,defining and shaping data collection through both top-down and bottom-up modulations). Specifically, the PC module is responsible for processing the following spatial information (see Figures1和2):(1)评估中心,集群的重心从一个特定的敌人的攻击组;(2)估计色散(“半径”),以空间覆盖三分之二的攻击半径从一个已知的敌人组;(3)估计两种类型的敌人的中心之间的距离和感兴趣的点(POI):“DistanceFly”代表了欧几里得距离(直线)和“DistanceWalk”表示道路段的长度(如牛走);(4)估计的数量从每个敌人攻击集团(“Numerosity”),后来导致(即基准利率比较。,每个敌人组比例在袭击的总数)。

在下面,我们将讨论实现步骤和相应的psychoneurological详细理由。

3所示。输入:感知分组和分割

建模的第一步COIN-AHA顶叶皮层功能的任务是组织各种视觉表示(例如,个人攻击,芋泥,路)到不同的输入层。一方面,我们建模的重点是高阶函数的值表示而不是低级视觉处理。另一方面,在顶叶皮层的编码值主要是由视觉输入的时空特性。为了取得平衡,我们多次简化组织输入层到PC模块。

代表多个来自敌人的攻击组(例如,攻击标签“A”“B”“C”和“D”图1在顶叶皮层),我们的建模方法是代表多个攻击单个敌人集团作为一个整体在视觉输入层(“PC_Attn”,见图3)、分离(分段)从攻击其他敌人的团体。然后,两个numerosity和半径基于PC_Attn可以计算。接下来,该组织计算为中心重心(即。,arithmetic means of和坐标为代表的个人攻击)和层”PCWM_GC。“兴趣点(POI)是代表一个单独的输入层”PCWM_POI”(侧激活等对象显示高斯撞)。然后,DistanceFly(“直线”)的距离之间的欧式距离计算中心和POI。计算DistanceWalk(“牛走”的距离),我们代表集团之间的道路段中心和POI在输入层“PCWM_RS”。然后,步行距离的估计实际上是估计曲线段的长度,相当于numerosity计算基于PCWM_RS激活像素的数量,每个像素的地形分布无关。

指出,在当前的模型中,我们避免了寻找最短路径的问题。相反,我们关注的问题长度估计道路段时显式(即提供。,步行距离)。在代表道路段作为一个独立的视觉输入,我们的理由是,曲线段可以承认和维护是一个视觉输入组件。Ungerleider和贝尔17)表明,在识别和区分原始”捷安公司,”神经选择性发展从简单的线段(V1)简单曲线(V2),复杂的曲线或组合的曲线(在V4和后皮层)。此外,有人建议,注意操作object-centered以及基于位置的表示在两个连接对象(例如,杠铃)可以表示为一个连续的对象(27]。

显然,估计两个对象之间的步行距离将受到曲率的影响(路上的曲线)和连通性(两个对象是否连接的路)。关于曲率(图4(一)),有人建议,“矢耳石”提供了最好的线索占对长期的歧视,曲线刺激,——在一系列一维或二维的转换,和轮廓曲率曲率编码的只是两个或三个类别,根据曲线方向(28]。关于(图连通性4 (b)),太阳和王(21]发现对象对连接或固定在相同地标更容易回忆比固定不同的地标。在一起,这些研究表明,人们在一定程度上的曲率变化的敏感和连通性。然后,通过代表道路段在一个层,曲率和连通性影响隐式视觉输入的编码。例如,弯曲的道路段将超过一个直,和两个点直接相连的道路会比通过不同的道路,因为更多的曲线连接。然后,沿着道路步行距离估计的有效成为numerosity估计的任务(即。,counting the number of active units on the line segment), resulting in a nonverbal representation of magnitude and number sense housed in IPS [7,29日]。

指出,我们的方法代表各种电脑的输入模块主要是遵循的原则选择性注意。特别是,PC模块可能会收到多个并行知觉输入直接视觉输入(层“PC_Attn”)和视觉工作记忆(“PCWM_”层),但输入层的总数是有限的。这是因为,当目标值的计算需要考虑选择性注意(例如,关注一个特定的敌人集团),它普遍存在一个瓶颈,提出了更严格的限制处理能力(例如,[30.,31日])。此外,我们还考虑约束显示分辨率的输入层。看来,上壁内的沟(sip)可能是视觉工作记忆的候选人提供输入,用高分辨率但有限数量的插槽(32]。还指出,在当前阶段的建模的分配一个特定的输入是否直接从视野或从视觉工作记忆是相当武断的。在现实中,任务将很可能依赖于时间序列个人视觉刺激或在特定的策略使用的主题。

组织输入层的另一个关键问题是考虑的原则感知的细分(例如,挑出一个特定的对象从别人)注意力的凹形(例如,多个扫描评估大量的对象或估计的距离大范围的视野)。我们认为分离单个敌人组从他人(如集团袭击PC_Attn)和代表一个空间集群分布式对象作为一个单独的对象(集团中心PCWM_GC)本质上是这些原则的结果。准则是这样表示在早期视觉处理可以获得和维护,特别是在不同组的对象以不同的颜色显示,可以很容易被认出来。强烈主张进行了基于图像元素的有效检测组选择性神经元发生在更高的视觉皮层区域(33,34]。使用一个任务transsaccadic集成(TSI),参与者使用鼠标点击两个先后提出了酒吧的交点,' et al。35]发现区别表现在“扫视”条件(酒吧从单独的固定)和“固定”条件(酒吧在一个固定),得出的结论是,参与者可以保留和集成方向和位置信息在对准目标共同eye-centered地图在枕叶皮层。从注意力凹形的角度,建议背流(后壁和侧前运动皮层)的角色连续部署的关注在不同位置的空间和/或时间,这样的编码是抽象级足够应对顺序和同步演示(36,37]。在一起,顶叶皮层可能会收到多个视觉输入,而灵活的方式。在我们的模拟,我们确实发现,不同的视觉输入格式会导致无法区分表演(图5)。

4所示。输出:一个“ScalarVal”级的代表

目前,我们的电脑模块使用一种“ScalarVal”Leabra层代表级值(“PC_Value”图3)[26,38]。(ScalarVal规范的详细描述,请参阅http://grey.colorado.edu/emergent/index.php/ScalarValLayerSpec)。规范编码和解码等标量,real-numbered值基于粗编码跨多个单元的分布式表示(例如,值是由高斯肿块固定标准偏差)。这提供了一个非常有效的和有效的方式代表标量值(39,40]。

有一点需要注意,有一个内部争论关于是否大小规模线性或对数刻度表示(例如,41)(见图6)。通过线性编码,噪声(即。,standard deviation) in the internal representation of a magnitude is tied to the specific value of the physical magnitude. Then, in comparing two magnitudes和,辨别力(即。,the amount of the overlap between two Gaussian distributions) is determined by the Weber fractionw,并绑定到特定的值的标准差的大小(汇集标准差)。通过对数编码,噪音的内部表示任何大小是完全由韦伯分数决定。可分别由韦伯分数决定和两个大小的比值的特定的值,不管大小(韦伯定律)。在我们看来,对数编码似乎是一个更有吸引力的候选人,让真正抽象级的代表性和普遍性。应该注意的是,线性和对数表示在数学上是等同的,但是不同的优势在实际计算(例如,线性模型更方便加法和减法,和日志模型更方便生产和分工)。因为数学等价,仍难以在大脑中神经区分实际的表示形式(42]。然而,对数表示似乎更简洁的表示范围的大小是独立代表不同数量的目标值从而允许不同的神经元被激活以相同的方式(见图6)。在这方面,默认ScalarVal紧急服务规范建模的目的。

5。Numerosity和大小在一个共同的指标

当前电脑模块的最重要的方面是,所有类型的目标值的计算(numerosity、半径和两种类型的距离)很大程度上共享一个公共路径(见图2)。首先,多个输入层(例如,个人群体攻击,集团中心,芋泥,和公路段直接视觉和视觉工作记忆槽)投射到不同的团体在一个隐藏层,根据特定的任务需求。这一隐层采用了一个特定类型的kWTA抑制的赢家选择基于类内和一整套层抑制(图的组合3)。其功能类似于唇reencoded区域的空间信息,敏感而不是选择性地级对应的统计数据的视觉环境。例如,一个单元的激活可能是统计相关活动的单位的数量(即对输入层。,sensitive to numerosity), but such a correlation on the hidden layer may not uniquely identify a number before being classified on the target layer (i.e., selectivity). In addition, the hidden layer receives a top-down signal from the layer “PFCcPC,” representing a single task demand for a particular type of target values (“PFCcPC” means “prefrontal controls parietal”). At the output level, the desired target value is represented on the single target layer “PC_Value,” analogous to the VIP area whose value representation有选择性地对应于特定的大小信息的视觉环境。计算,学习目标的价值观发生在两个阶段,一个expectation-driven负相和一个以成果为推动力+相(26]。在-阶段,输入(视觉输入+信号从PFCcPC) reencoded到隐藏层和目标层。在加阶段,教学提供信号在目标层,这将提供一个自顶向下修正通过修改隐藏层的激活和相应的权重。(详细描述的学习规则(即。,the extended contrastive attractor learning rule, XCAL), seehttp://grey.colorado.edu/CompCogNeuro/index.php/CCNBook/Learning)。

常见的实现途径为所有类型的目标值是出于以下考虑。首先,最近的文献表明在顶叶皮层“共同度量”负责处理所有magnitude-like值如numerosity、大小,以及时间和空间的距离,即时空数轴[5,15,43]。第二,尽管预测从输入层到隐层的各个部分本质上是并行的,只有一个目标层。基本原理是知觉阶段并行操作但中央决定阶段通过一个串行瓶颈发生(44]。第三,自上而下的控制从PFCcPC反映的关注重视刺激处理激励相关性的基础上,和主要来源的自上而下的注意力偏压一直主要位于背外侧前额叶和后顶叶皮层(45]。也,自顶向下连接PFCcPC和PC_Value隐层与研究结果相一致,相同的神经元唇编码值也将编码所选择的行动在决策过程(46]。

最重要的是,电脑模块地址之间的分离和干扰各种类型的目标值。从理论上讲,已经有一个正在进行的辩论关于之间的交互等的处理途径numerosity,大小和密度。一边的辩论,有人建议numerosity只能间接地来自纹理密度(例如,47- - - - - -49])。另一方面,有人建议numerosity可能是一个属性感知直接从视觉输入,独立于纹理感知(50,51]。最近,Stoianov和圭52]表明,选择性视觉numerosity自然出现在无监督学习知觉层次生成模型,不变的面积,密度和对象特性。本研究引用了罗斯和毛刺51)作为一个强有力的支持他们的理论“视觉的数字。”

在PC模块,在四个类型的目标值,实际上只有两种基本类型的信息从视觉环境中提取:numerosity和大小。上一节中提到的,估计步行距离公路段上的实际上是一个任务计数活动像素的数量。此外,评估飞行距离实际上是一个大小或半径估计对象的数量是一个常数,无论输入是否代表一个单独的层(见图5)。

重要的是要注意,numerosity和大小的离解和干扰可能出现在不同级别的视觉分析。我们假设离解和干扰的关键都在于神经元选择性的机制或均匀样本视野和空间信息是否被丢弃或保存在抽样(见图7)。numerosity表示,人们已经发现,有“求和单位”在顶叶,尤其是嘴唇区域的反应类似于蓄电池的输出神经元系统地增加或减少的增加numerosity在视觉刺激53]。有“神经元”调到“labeled-line”编码的首选numerosity numerosity VIP区(54- - - - - -57]。因此,类似于一些以前的模型numerosity (52,58,59),我们的方法建模numerosity和大小估计是认为最后的调整大小探测器对目标层“收获”的激活前求和隐层单元。为了选择性地应对numerosity信息,空间信息必须被丢弃(例如,数量的“2”时不管多远两个对象除了)。一个直接的方法来实现这种分离是假设numerosity求和单元样品视野一致(约等于连接权重),无论空间位置(见图7(一))。这种统一的采样(所表明的那样59]。另一方面,空间位置信息必须保存在尺寸检测,这意味着求和单元必须选择性地覆盖在接受不同位置字段(参见图7 (b))。

有趣的是numerosity之间的干扰和大小如何时出现的空间位置信息只是部分被丢弃或保存。人们已经发现,单一神经元调到数量只能提供信息有限范围的大小,只有一起选择性神经元的人口能占整个范围的测试刺激(60]。因此,很可能接受的个人领域numerosity求和单元在隐层空间分割,选择性地区有限的空间,特别是在高负载条件(例如,当现场拥挤或主题分心)。否则,应对更大范围的numerosity需要细分级神经元激活水平从而表土求和。由于空间分割,这些神经元的激活将从视觉输入部分携带位置信息。另一方面,一些大小求和单元可能需要视觉输入少选择性地对不同的空间位置。在这两种场景中,我们希望numerosity-size离解求和单元并不完美(即。,carrying partial spatial information) and observe some neurons serving a double duty on both numerosity and size detection. We can find support to such a speculation repeatedly from both neurological (e.g., [5,8,54和行为研究48,49])。尤其是在他们的经颅磁刺激(TMS)的实验中,卡等。61年)发现,数量和规模之间的干扰是在处理流,在反应起始点和刺激之间的交互属性只在高负载条件。,有人提议numerosity和大小估计,及其重叠,产生注意力的连续部署的结果在不同位置的空间和/或时间通过背流(后壁和侧前运动皮层)(36,37]。

6。拓扑比较和代表性

虽然我们的电脑模块的主要方案是串行的方式(即度量估计。,只有一种类型的指标可用一次输出电平;参见图2),应该强调,一些自下而上加工可能确实发生在一个平行的方式,导致行为相关的表征在决策的过程中。特别是,知觉组织的全球性空间信息被描述的拓扑不变量,之前其他featural属性的感知;即拓扑信息的处理可能发生早于任何度量评估(例如,62年])。此外,有人建议后顶叶皮层(PPC)支持拓扑空间信息强调接近当地的具有里程碑意义的线索的重要性,而海马体支持度规空间信息强调当地地标之间的距离线索的重要性(25,63年,64年]。

而度量信息定义为对象之间的角度和距离的关系导致连续表示的值(例如,半径和距离COIN-AHA问题),代表不同的拓扑关系不变的对象之间的连通性的关系度量值的修改导致直言表示(25]。如果拓扑比较确实发生早于指标估计,这将是非常合理的,他们利用在决策过程中,尤其是在快捷键在早期阶段的手段。例如,据报道,专家地理学家组织他们的想法和呈现数据的拓扑信息(65年- - - - - -67年]。

也许更重要的是,对拓扑建模比较会使我们检查代表性启发式可能出现在感性的层面上分析(图8)。应该注意的是,这个术语的代表性启发式已经创造了超过三十年前(68年]。这里我们将更多更新的解释所描述的卡尼曼和弗雷德里克(69年]。根据这一解释,两个代表性和可用性的启发式实际上属于启发式的可访问性和替换,在一个单独的评估判断对象的指定目标属性替换另一个属性对象的启发式属性来更容易。应用于COIN-AHA任务,它是可能的,当人类被试认为POI落在A组的地区,但B组以外的地区,他们可能会得出这样的结论:这种特殊POI更具代表性的A组的特征比B组。因此,他们可能会得出结论,A组更可能对这次袭击负责。即决定可以通过快捷的拓扑关系作为启发式属性来替代指标的估计距离只有到达后。

7所示。模块的性能

PC模块集成模型中被训练用人工生成的数据由数据生成软件。(集成模型的详细信息,请参阅,70年])。在目前的阶段,我们只专注于培训指标估计(如numerosity,半径,飞行距离,和步行距离)。没有完成培训拓扑比较因此这里省略了。此外,它已经发现,在COIN-AHA任务,人体主要依赖于度量距离的预测(71年]。

总的来说,我们已经表明,PC模块可以准确地提取各种类型的目标值的训练数据集。测量模块的性能,我们使用模型目标相关性,相关性的负激活阶段目标层(“PC_Value”)和相应的目标价值在试验在每个时代。图9显示模块的性能在COIN-AHA任务2(没有道路网络)和3(道路网络)。可以看出,在这两个任务,Numerosity表演,DistanceFly, DistanceWalk非常精确(模型目标相关性大于0.8后750时代)。唯一的区别在于,培训半径在Task 3只显示一个温和的性能。指出,表现DistanceFly一直比表演DistanceWalk和Numerosity更准确。一个明显的原因是由于目标的不同程度的差异,范围值嵌入到输入表示。例如,在24到24的网格,对角线上的最大距离是24×1.414≈34岁,但最大DistanceWalk和Numerosity可以24×24 = 576。温和的表现半径也可以归因于输入上的方差表示的位置变化个人单位不得改变整体分散但可以显著影响单位之间的空间相关性。不像其他的目标值,单位之间的交互可以在模型中添加额外的噪音性能半径。

重要的是,图9显示各种类型的目标值之间的分离。特别是模型目标相关性Numerosity和半径在任务2 750年之后达到大约0.8时代。考虑到目标值都是计算同一PC_Attn视觉输入,这样的性能提出了一个几乎完美的离解Numerosity与半径(即。、大小)。至关重要的是,这一结果得到了具体从PFCcPC自上而下连接到隐层(见图3)。PFC的单位,每个代表一个独特的需求,分别连接到相应的部分隐藏的图层上。例如,单位PFCcPC代表“numerosity”与“numerosity”部分中的所有单位在隐藏层,但不是在其他部分的单位。结果,当PFCcPC需求计算“Numerosity”,隐藏层的相应部分更容易被激活从而赢得了比其他部分抑制竞争。换句话说,自顶向下的信号从PFCcPC提供了一个关键的角色在专业化的功能隐藏层。

相比之下,图10显示模块的性能与非特异性PFCcPC-to-Hidden Task 3连接(例如,每个单元在PFCcPC与隐层)上的所有单位。可以看出,分离发生在某种程度上,但模型目标相关性显著下降为所有类型的目标价值。例如,最高的模型目标关联图10实现DistanceWalk, 0.65 (试验),显著低于图90.86 (费舍尔试验)(比较两个相关性- - - - - - - - -转换,,正反)。这些结果以来,唯一的区别是在PFCcPC与隐层的方式,似乎不同目标值之间的分裂失败是由于缺乏特异性的自上而下的控制。这一发现与当前一致理解文献中选择性注意。例如,有人建议,目标导向的关注可以优先考虑刺激处理激励相关性的基础上,通过背外侧前额叶和后顶叶网络(45]。在我们的模型中,自上而下的控制是由PFCcPC-to-Hidden实现连接。特定的联系,积极单位PFCcPC只是投射到相应的部分隐藏层。因此,单位上,部分更容易主动和更好的与当前目标价值有关,因为基于激活相应的连接权值更新值。因此,通过有目的的分工,不同组的单位在隐层可以开发协会自己的目标值以相对独立的方式,导致整体更好的性能。

除了关注,期望被认为是另一个自上而下的机制,减轻了负担的视觉认知的计算能力,这可能在于更多的后内侧皮质以及更罕见的是前额叶(45]。在PC模块,自上而下的控制不仅从PFCcPC还教学提供信号在目标层。如前所述在早期部分,讨论numerosity是否是一个属性,可以直接感知的视觉输入,分离从纹理感知51,52]。为了测试这个想法,我们也进行了模拟与简化的PC模块只有一个视觉输入层和隐层,没有教学和自上而下的信号从PFCcPC(图信号11)。我们发现由纯Hebbian协会,在隐藏层单元确实可以展示一些numerosity和大小之间的分离,但只是在一定程度上。首先,要么隐藏单元激活和目标值之间的关系几乎是完美的(类似于[结果52])。例如,当在100次试验,计算模型目标相关性的皮尔森积差相关系数仅仅.254可以达到统计显著性水平。因此,一个单位可以归类为“numerosity神经元”不能够选择性地识别特定的数字。第二,许多单位显示重叠敏感性numerosity和大小。也就是说,我们的发现似乎更符合该提议由Dakin et al。48数量和密度),人们的感官相互交织(注意密度= numerosity /尺寸)。结合上面所示的结果(例如,数据9和10numerosity之间),似乎完美的离解和大小确实会发生,提供有特定目标导向的自上而下的控制。

8。讨论

在本文中,我们描述了一个集成模型的时空信息处理的顶叶皮层意会。总之,电脑模块的发展表明,结构非常相似,不同类型的环境统计数据(如numerosity,大小,两个点之间的欧氏距离,和长度的曲线段)可以从视觉输入然后表示为级值,支持的提议“共同度量”安置在顶叶皮层(例如,5])。

从我们的模拟最重要的发现是,虽然早期视觉离解之间可能发生的不同类型的环境统计,有目的的自上而下的控制似乎是至关重要的对一个完整的离解。这一发现与当前一致理解文献中选择性注意。在我们的模型中,自上而下的控制是由PFCcPC-to-Hidden实现连接。我们证明了高模型目标相关性可以实现只有在特别指定的连接是自上而下的预测。干扰,没有特定的自上而下的控制可以更容易地理解关于kWTA抑制机制将如何影响不同类型的环境统计数据之间的分离。至关重要的是,不同类型的环境统计数据获得在不同级别的抽象。例如,一个完全准确的估计numerosity (DistanceWalk和numerosity)需要一个完整的空间不变性而估计的欧几里得距离(DistanceFly)或分散(半径)本质上是基于空间相关性。随机初始化权重,有些单位可能会偏向某种程度的空间不变性。然而,kWTA抑制,只有最活跃的单位有机会被更新并与当前目标有关的价值。因此,即使一些单位显示对某种类型的敏感目标统计在早期知觉阶段,这种敏感性可能无法传播进一步选择性的发展。 One direct way to neurologically corroborate our simulation findings is to examine whether the task demand from the learning environment can interfere with the roles of neurons, for example, causing neurons initially sensitive to numerosity to be sensitive to size.

此外,而我们当前的模型关注的干扰和离解顶叶皮层内的不同类型的空间信息,也有可能其他皮质拓扑结构和机制可能导致类似的过程。例如,有人建议,马赛克dorsocaudal内侧的表面组织层内嗅皮层(dMEC)代表一个可能的衬底的模块化空间地图,这是一个迹象表明早期分离不同类型的空间信息(72年]。此外,我们目前的重点在建模顶叶皮层的离解和代表性级值,和一个主要目标是减少干扰从而实现高精度的性能。因此,我们做了一些简化建模的许多子任务。例如,我们没有区分的过程精确计算和subitizing(当枚举对象的快速和准确的套三或四项)(36]。我们避免了寻找最短路径的问题估计沿着道路步行距离。

一般来说,我们的建模工作试图平衡两种类型的偏好:是否要强调“注意力凹形”的机制或强调的机制“知觉分割”和“拓扑分组。“前需要多个顺序表示模型中(例如,多个扫描在一个拥挤的场景,探索两个点之间的所有公路段),而后者使它可能代表一组刺激作为一个整体(例如,相同的颜色分割的多个对象,一个两个点之间的公路段)。例如,“变焦镜头模式”假定必须进行曲线跟踪多个经过每一个都有不同的凹形(73年]。在估算沿着道路步行距离,它将涉及扫描多个路段多个十字路口和点之间的利益和估算距离根据不同的参考点。神经,已经断定,顶叶皮层负责参考系统(例如,[之间的过渡24,74年])。从行为研究,我们认为,参考系统的选择(例如,自我中心与内在)是一个重要的组件的内部表示的物理距离和相对位置(21,23]。因此,实现参考系统的注意力凹形和选择机制将导致一个更现实的模型能够识别一些人类直观推断和偏见在空间表示和推理。在当前的模型中,所有的视觉信息在输入层。因此,该模型完全缺乏注意力凹形的机理。此外,参考系统的选择是相当固定的模式缺乏灵活机制改变锚的参考系统。我们在未来的研究将进一步追求这些潜在的改进。

确认

本文得到了情报高级研究项目活动(IARPA)通过内政部(DOI)合同编号。D10PC20021和海军研究办公室(ONR)批准号n00014 - 08 - 1 - 0042。美国政府授权的复制和分发再版出于政府目的尽管任何版权注释。本文所包含的观点和结论是作者和不应被解释为一定代表官方政策或支持,表示或暗示,IARPA, DOI或美国政府。