层次化优化预测了猕猴下颞叶皮层在物体训练后的可塑性变化

《Nature Communications》：Hierarchical optimization predicts plasticity in the macaque inferior temporal cortex following object training

　　

摘要

灵长类动物的大脑在学习区分新物体时是如何实现可塑性的协调的？我们研究了雄性猕猴在物体学习对下颞叶皮层的影响，该区域是视觉通路中负责物体识别的关键部位。与未接受过相关训练的猕猴相比，经过任务训练的猕猴的下颞叶皮层神经活动表现出更高的物体选择性、更强的物体间线性可分离性，以及更具物体不变性的表征能力。为了解释这些差异，我们构建了一个计算框架，利用基于解剖结构映射的人工神经网络模型，并结合多种学习算法。模拟结果表明，基于梯度的、旨在优化性能的神经网络内部表征更新方式，能够准确反映观察到的下颞叶皮层变化。这些模型还预测了下颞叶皮层在新的训练条件下会出现的一些现象，包括那些与物体身份无关的变化，以及下颞叶皮层与行为之间的关联变化。实证数据与模型预测之间的吻合表明，视觉通路的可塑性遵循由梯度下降法很好地拟合的任务优化原理，这有助于我们准确预测视觉可塑性以及模型在测试图像上的泛化能力。