Структурированное раннее обучение сформировало у мышей и моделей гибкую стратегию в обонятельной задаче
Группа Джона К. Боулера и Джеймса Г. Хейса сравнила обучение с поэтапной подготовкой и без неё на моделях и мышах: подготовленные модели решили задачу без ошибок.

В исследовании, опубликованном в Nature Neuroscience, группа под руководством Джона К. Боулера и Джеймса Г. Хейса изучила, как структура раннего обучения влияет на последующее. Авторы сочетали рекуррентные модели нейронных контуров с записями активности медиальной энторинальной коры мышей nature.com
Nature Neurosciencenature.comОткрыть источник ↗. По данным авторов, без структурированного раннего опыта и модели, и мыши вырабатывали жёсткие стратегии с ошибками, тогда как структурированное обучение формировало нейронную активность, отражающую временную структуру задачи.
Обонятельная задача на время и устройство моделей
Задача была временным вариантом отсроченного неповторения образца. Субъект оценивал два последовательных предъявления одного запаха с фиксированным интервалом три секунды. Каждый запах длился две секунды (короткий) или пять секунд (длинный). Пробы шли псевдослучайными блоками по четыре: одна проба совпадения (короткий-короткий) и два типа несовпадения, короткий-длинный и длинный-короткий. Пробы длинный-длинный исключили. Мыши должны были не лизать во время первого стимула, паузы и проб совпадения и лизать в трёхсекундном окне после окончания второго сигнала в пробах несовпадения. Вспышка света длительностью 250 миллисекунд за три секунды до запаха сигнализировала начало пробы.
Модель представляла собой полносвязный слой из 128 рекуррентных блоков с утечкой и одним выходным блоком. Модели прошли 1000 блоков по четыре пробы. Подготовленные сети получили 300 начальных блоков проб несовпадения, а контрольные обучались сразу на полной задаче.
Различия в динамике и связях
Неподготовленные сети делали типичные ошибки: преждевременные ответы во время длинного сигнала в пробах длинный-короткий и ослабленные ответы в пробах короткий-длинный, из-за чего выходные профили перекрывались и эффективный порог решения задать было нельзя. Подготовленные сети решали задачу без ошибок и сохраняли устойчивость при росте входного шума и временного дрожания сигналов; главный эффект подготовки был значим (F1,242 = 215,31, P = 2,67 × 10^-35) nature.com
Nature Neurosciencenature.comОткрыть источник ↗.
В подготовленных сетях первые три главные компоненты описывали больше дисперсии (t = 4,3, P = 2,78 × 10^-4), а спутанность траекторий была ниже, чем в неподготовленных (P = 0,02). Декодеры прошедшего времени пробы работали лучше в подготовленных сетях, в том числе между типами проб (t = 12,1, P = 1,3 × 10^-23).
Разложение рекуррентных весов по собственным значениям показало в подготовленных сетях две сопряжённые пары комплексных собственных значений, которых не было в неподготовленных. Классификатор по этим значениям безошибочно определял историю обучения. Когда у наивных сетей в первые 300 блоков подгоняли ведущие собственные значения под подготовленные, модели достигали меньшей среднеквадратичной ошибки, чем контрольные (t = 2,266, P = 0,0377).
Источники · 2
Нашли ошибку?Читайте также



