? ry 皮質細胞層中の配列を表す。 図２：皮質細胞レイヤ中のシーケンスを表す 0035yamaguti2019/09/02(月) 00:01:57.18ID:SPnkrttr>>34 A） ? ry 細胞層に分けられる。 新皮質は細胞レイヤに分割される ? ry 、1つの汎用セル層の一部を示 ry 。 この図のパネルは、一般的セルラレイヤ 1 枚の一部を示 ? ry ために、パネルには1列に6個のセルを持つ21個のミニ ry を示 ry 。 わかりやすくする為に、1列に付き 6 セルを伴った、 21 ミニカラムのみをパネルは示 B） 入力シーケンスABCDとXBCYはまだ学習されていませ ? ry この例では ry 、まばらなミニカラムのセットを呼び出します。 各シーケンス要素は、この図では3つのみの、ミニカラムのスパースセットを呼起します。 ? ry 、ミニカラム内のすべてのセル ry 、シーケンス ry 。 入力が予想外の場合、そのミニカラム内の全セルがアクティブになります。これは、そのシーケンスを学習する前の場合 。 C） ry 、入力 ry された1つのセルのみが各列でアクティブです。 2つのシーケンスを学習した後、それら入力は同じミニカラムを起動しますが、B '、B' '、C'、C ''、D 'およびY' 'とラベル付けされた各列の中に於て 1 セルのみがアクティブです。 C 'とC' 'は一意であるため、YまたはDのどちらかの正しい高次予測を呼び出 できます。
? ry 先端樹状 ry は全配列を ry 。 図４： 尖端樹状突起への フィードバックはシーケンス全体を予測する 、図２と同じネットワークおよび表現 >>34-35 「先端樹状突起」と表示された領域は、新皮質の第1層に相当 。 全 細胞からの頂端樹状突起（図示せず）はここで終結する。 図 、次のように仮定 ? ry 示されているように、 ｰクは以前にシーケンス ry を学習した。 図２に示されたシーケンスＡＢＣＤをネットワークは以前に学習した。 ? 学習されたシーケンスの間、頂 起に一定のフィ パターンが提示され、配列B'C'D 'に参加する細胞はそれらの頂 起上に プスを形成して一定のフィ パ を認識した。 学習済シーケンスに亘って尖端樹状突起へと提示され ( てい ) るコンスタントなフィードバックパターン、をそして認識する為にシーケンス B'C'D ' 参加各細胞はそれら尖端樹状突起上にシナプス編成した。
ｰドバック接続が学習された後、頂端樹状突起へのフィードバッ ｰンの提示は、シーケンス内で順次アクティブになるすべてのセルによって同時に認識される ? ry 、偏光解消状態になります（ ry 。 赤で表示 これらのセルは、脱分極します（左ペイン）。 新 フィードフォワード入力が到着すると、予測されたシーケンスに関連するスパース表現になります（中央のパネル ? ry パターンが予想されるシーケンスの一部として解釈 ry 、選択された列の ry 。 ｰドフォワードパターンを予想シーケンスの一部として解釈できない場合（右パ ）、選択 カラムのすべてのセルがアクティブになり、異常を示します ? ry 、頂端フ クは、予想されるシ の一部として入力を解釈するように ｰクをバイアスし、入力が予想されるシーケンス ry しないかどうか検出する。 このようにして、尖端フィードバックはネットワークを、どんな入力も予想シーケンスの一部としての解釈をする様にバイアスし、入力がもしも予想シーケンス内の要素のどれにも一致しない場合を検出する。
