基底神经节的信息处理、降维和强化学习

Information processing, dimensionality reduction and reinforcement learning in the basal ganglia

Izhar Bar-Gad^a,b,∗, Genela Morris^a,b, Hagai Bergman^a,b,c

a Center for Neural Computation, The Hebrew Univeristy, Jerusalem, Israel

b Department of Physiology, Hadassah Medical School, The Hebrew University, P.O. Box 12272, Jerusalem, Israel

c Eric Roland Center for Neurodegenerative Diseases, The Hebrew University, Jerusalem, Israel

Received 19 May 2003; accepted 1 December 2003

（Song Jian，translate）

摘要:基底神经节的建模对我们理解这一难以捉摸的核群起到了重要作用。在过去的20年里，基底神经节的模型经历了演化和革命性的变化，这些核的解剖学、生理学和生物化学领域的新研究产生了新的信息。早期的模型处理的是通过核的单一路径，并着重于处理过程的性质，信息的收敛与信息的并行处理。后来，Albin-DeLong“盒箭”模型将核间相互作用描述为多种途径，同时保持核本身的简单的标量表示。该模型通过提供对这些核在低运动和高运动障碍中的行为的关键模拟而取得突破。下一代模型阐述了核内相互作用，并着重讨论了基底神经节在动作选择(Action selection)和序列生成(Sequence generation)中的作用，这形成了目前关于正常和病理条件下基底神经节功能的最新共识。然而，新发现挑战了这些模型，并指出了一种不同的神经网络方法来处理基底神经节的信息。在这里，我们深入研究了强化驱动降维(reinforcement driven dimensionality reduction，RDDR)模型，该模型假定基底神经节根据强化信号采用最佳提取方法压缩皮质信息。该模型对基底神经节的计算能力及其在健康和疾病中的作用提供了新的见解和实验预测。

翻译论文原件[Information processing, dimensionality reduction and reinforcement learning in the basal ganglia]

翻译论文稿件[基底神经节的信息处理、降维和强化学习]