 |
| PFC=Cortex Préfrontal HPC=Hippocampe Reward=Récompense |
De son aspect dimensionnel provient la difficulté dans la mise au point de modèles de renforcement de l’apprentissage et de prise de décision. Le processus d’abstraction peut apporter une solution à ce problème par la construction de variables définissant les caractéristiques partagées dans différentes situations ; réduisant pour chacune d’entre elles l’impact de l’aspect dimensionnel et permettant ainsi la généralisation des modèles. Ici, nous avons caractérisé les représentations neurales chez les primates réalisant une tâche décrite par différentes variables cachées et explicites. L’abstraction a été définie sur le plan opérationnel à l’aide de la généralisation de la performance selon des décodeurs neuraux à travers des conditions d’application inutilisées lors d’entraînements, requérant l’utilisation d’une géométrie particulière des représentations neurales. Les ensembles neuronaux du cortex préfrontal, de l’hippocampe, et les réseaux neuraux simulés représentent simultanément de multiples variables dans une géométrie reflétant l’abstraction mais qui permettent également à un classifieur linéaire de décoder un grand nombre d’autres variables (haute dimensionnalité des signaux). De plus, cette géométrie pouvait changer en temps réel en relation avec les tâches et la performance. Ces résultats permettent de décrypter la manière dont le cerveau et les systèmes artificiels représentent des variables en format résumé tout en préservant les avantages conférés par la haute dimensionnalité des signaux. Silvia Bernardi, et al, dans Cell, publication en ligne en avant-première, 14 octobre 2020
Source iconographique, légendaire et rédactionnelle :
Science Direct / Traduction et
adaptation : NZ
Aucun commentaire:
Enregistrer un commentaire