- 2 次围观
将已习得的知识重组为广义表征并将其迁移到未来学习中，是认知的关键方面，通常被描述为图式的形成与使用。然而，这些过程背后的计算机制和回路机制仍不清楚。在此，我们提出一个理论模型，其中图式通过低维神经表征的形成与对齐而涌现。在该模型中，高维输入模式通过由重放驱动的Hebb型非线性降维被重组为低维流形。流形对齐同时将具有共享任务结构的表征映射到一种共同格式上，从而使下游读出回路能够在不同任务之间被重复利用。该模型刻画了图式学习的三个核心特征：通过复用先前经验中的低维表征实现对相似任务的快速学习；在传递性推理中实现依赖睡眠的对未观测关系的泛化；以及通过图式的组合性重组来解决新颖任务。总之，这些结果提示了一种潜在的神经机制，用于形成、对齐和重组低维图式，从而支持未来学习。
Taro Toyoizumi 的 ORCID 记录
摘要 信息/历史 指标 预览 PDF
摘要
将已学习的知识重组为广义表征，并将其迁移到未来学习中，是认知的重要方面，通常被描述为图式的形成与使用。然而，这些过程背后的计算机制和回路机制仍不清楚。在这里，我们提出了一个理论模型，其中图式通过低维神经表征的形成与对齐而涌现。在该模型中，高维输入模式通过由重放驱动的 Hebbian 非线性降维被重组为低维流形。流形对齐同时将具有共享任务结构的表征映射到一种共同格式上，从而使下游读出回路能够在不同任务之间被重复使用。该模型捕捉了图式学习的三个核心特征：通过重用先前经验中的低维表征对相似任务进行快速学习、在传递性推理中对未观测关系进行依赖睡眠的泛化，以及通过图式的组合性重组来解决新任务。总之，这些结果提示了一种潜在的神经机制，用于形成、对齐并重组低维图式，以支持未来学习。
竞争利益声明
作者声明不存在竞争利益。
已声明的资助信息
JSPS KAKENHI ，JP23K19415 ，JP25K18569 ，JP23KJ0666 ，JP23H05476 ，JP25K24466
JST ACT-X ，JPMJAX25LI ，JPMJAX25CA
JST BOOST ，JPMJBS2418
JST CREST ，JPMJCR23N2
RIKEN 脑科学中心， https://ror.org/04j1n1c04
RIKEN TRIP 倡议（RIKEN Quantum）
版权
持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。 该作品依据 CC-BY-NC-ND 4.0 国际许可协议 提供。
查看讨论串。
返回顶部 上一篇 下一篇
发布于 2026 年 6 月 1 日。
下载 PDF 电子邮件
感谢您有意帮助传播 bioRxiv。
您的电子邮件 *
您的姓名 *
发送至 *
请输入多个地址，每行一个，或以逗号分隔。
您将要通过电子邮件发送以下内容
一种基于睡眠期间生物学降维的图式学习模型
邮件主题
（您的姓名）已从 bioRxiv 向您转发了一个页面
邮件正文
（您的姓名）认为您可能希望查看 bioRxiv 网站上的这个页面。
您的个人留言
验证码
此问题用于测试您是否为人工访问者，并防止自动化垃圾信息提交。
分享
一种基于睡眠期间生物学降维的图式学习模型
Kensuke Yoshida， Genki Shimizu， Yuri Kinoshita， Kaoru Inokuchi， Taro Toyoizumi
bioRxiv 2026.05.27.728344； doi： https://doi.org/10.64898/2026.05.27.728344
分享本文： 复制
引用工具
一种基于睡眠期间生物学降维的图式学习模型
Kensuke Yoshida， Genki Shimizu， Yuri Kinoshita， Kaoru Inokuchi， Taro Toyoizumi
bioRxiv 2026.05.27.728344； doi： https://doi.org/10.64898/2026.05.27.728344
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.05.27.728344v1?rss=1
🏷️ 图式学习 睡眠重放 低维表征 流形对齐 Hebb学习 传递性推理