Computing by Robust Transience: How the Fronto-Parietal Network Performs Sequential, Category-Based Decisions
บทความในวารสาร
ผู้เขียน/บรรณาธิการ
กลุ่มสาขาการวิจัยเชิงกลยุทธ์
ไม่พบข้อมูลที่เกี่ยวข้อง
รายละเอียดสำหรับงานพิมพ์
รายชื่อผู้แต่ง: Chaisangmongkon W., Swaminathan S.K., Freedman D.J., Wang X.-J.
ผู้เผยแพร่: Cell Press
ปีที่เผยแพร่ (ค.ศ.): 2017
วารสาร: Neuron (0896-6273)
Volume number: 93
Issue number: 6
หน้าแรก: 1504
หน้าสุดท้าย: 15170000
จำนวนหน้า: 15168497
นอก: 0896-6273
eISSN: 1097-4199
ภาษา: English-Great Britain (EN-GB)
ดูในเว็บของวิทยาศาสตร์ | ดูบนเว็บไซต์ของสำนักพิมพ์ | บทความในเว็บของวิทยาศาสตร์
บทคัดย่อ
Decision making involves dynamic interplay between internal judgements and external perception, which has been investigated in delayed match-to-category (DMC) experiments. Our analysis of neural recordings shows that, during DMC tasks, LIP and PFC neurons demonstrate mixed, time-varying, and heterogeneous selectivity, but previous theoretical work has not established the link between these neural characteristics and population-level computations. We trained a recurrent network model to perform DMC tasks and found that the model can remarkably reproduce key features of neuronal selectivity at the single-neuron and population levels. Analysis of the trained networks elucidates that robust transient trajectories of the neural population are the key driver of sequential categorical decisions. The directions of trajectories are governed by network self-organized connectivity, defining a “neural landscape” consisting of a task-tailored arrangement of slow states and dynamical tunnels. With this model, we can identify functionally relevant circuit motifs and generalize the framework to solve other categorization tasks. © 2017
คำสำคัญ
category learning, decision making, delayed match-to-category task, hessian-free algorithm, lateral intraparietal cortex, LIP, PFC, prefrontal cortex, recurrent neural network
ติดต่อสอบถามเพิ่มเติมได้ที่