综述：数据增强作为建模海马体对泛化能力贡献的框架

《Current Opinion in Behavioral Sciences》：Data augmentation as a framework for modeling hippocampal contributions to generalization

　　

海马体在泛化能力中起着关键作用，它使我们能够灵活运用先前的经验来完成新的任务。在此，我们认为数据增强——一种通过重新整理先前经验来提升泛化能力的机器学习策略——可以为理解并建模海马体功能提供有用的框架。我们首先阐述了数据增强在两个时间尺度上的运作方式：传统的“离线”环境，即通过重新整理训练数据来获得更具普遍性的表征；以及“在线”环境，即在测试时可以灵活地重新整理已获取的经验，从而实现零样本推理。我们认为，这些“离线”和“在线”的计算策略对应着海马体所支持的功能。更重要的是，我们认为可以利用这些计算工具来建立实验证据与理论主张之间的正式“关联函数”，从而采用统一的建模方法来预测依赖于海马体的各种行为——从在高维感官环境中导航到更抽象的推理。我们希望这一视角以及它所提供的建模策略能够为进一步规范和评估海马体功能理论提供帮助。

章节节选

机器学习中的数据增强

机器学习系统面临着一个根本性的挑战：性能会随着大量训练数据的增加而提升，但这些数据往往难以获取。更根本的是，模型通常被应用于训练数据中代表性不足的领域。数据增强是一种通过从现有数据中合成新的训练样本来解决这些问题的策略。其核心理念很简单：一个数据点在经过适当转换后，可以生成多个学习信号。这种方法已经

数据增强与海马体功能的类比

海马体功能与上述数据增强策略之间存在有趣的相似之处。本质上，数据增强需要两个要素：具体的经验以及用于转换该经验的操作。我们认为海马体以某种方式保存与单个事件相关的信息，以便后续进行转换（参见[22]）。在离线状态下，这些经验可以被重新引入并与正在进行的学习过程相结合，从而使皮质结构形成更具普遍性的表征

结论

我们阐述了如何利用机器学习中的数据增强策略来理解和建模海马体功能。我们的目标并非提出一种全新的海马体功能理论，而是提供一种视角，通过将记忆重放、记忆巩固以及基于任务的灵活检索视为同一组操作的不同表现形式，从而帮助整合现有的各种理论。由于数据增强是一种与刺激可计算方法相结合的计算策略，因此它

利益冲突声明

作者声明不存在任何利益冲突。

致谢

我们感谢Anna Schapiro、Chris Iyer、Stefano Palmintieri以及匿名审稿人对本工作早期草稿的反馈。本研究得到了美国国立卫生研究院下属的国家神经疾病与中风研究所（资助编号F99NS125816）以及加州大学校长博士后奖学金的支持。

Tyler Bonnen|Andrew K Lampinen

美国宾夕法尼亚大学