実験モデル

今回使用するカオスニューラルネットワークモデルをFigure 7.1に示す。 江本らのモデルと同様のモデルであるが, 入力層から 連合野モジュールへの入力が海馬モジュールから連合野モジュールへの 入力と比べて弱く設定されており, 更に連合野モジュールの 不応性のパラメータである$\alpha$ が海馬モジュールの$\alpha$ に比べて 高く設定されている。この設定により, 海馬モジュールが連合野モジュールの 学習に与える影響が強くなる他, 入力を素早く忠実に学習する海馬モジュールと 記憶を思い出しながらゆっくり学習する連合野モジュールとの差別化が図られ, よりH.M.の症例に近い状況を作ることが期待出来る。

図 7.1: Network structure of proposed model

海馬モジュールの$i$ 番目のニューロンの状態は次の式で与えられる。

$$x_i^{ca}(t + 1) = f[ \sum_{d=0}^t k_s^d A_j^{ca} (t - d)$$

$$+ \sum_{j=1}^N \omega_{ij}^{ca} \sum_{d=0}^t k_m^d x_j^{ca}(t - d)$$ (23)

$$- \alpha^{ca} \sum_{d=0}^t k_r^d x_i^{ca} (t - d) - \theta_i]$$

$$A_i^{ca}(t) = v_{ij} A_i^{ip}$$ (24)

連合野モジュールの状態は次の式で与えられる。

$$x_i^{cx}(t + 1) = f[ \sum_{d=0}^t k_s^d A_j^{cx} (t - d)$$

$$+ \sum_{j=1}^N \omega_{ij}^{cx} \sum_{d=0}^t k_m^d x_j^{cx}(t - d)$$ (25)

$$- \alpha^{cx} \sum_{d=0}^t k_r^d x_i^{cx} (t - d) - \theta_i]$$

$$A_i^{cx}(t) = v_{ij}v_{ij}^{ip-cx}x_i^{ip}(t) + v_{ij}x_i(t)$$ (26)

$v_{ij}^{ip-cx}$ 入力層から連合野モジュールへの結合荷重

また, 学習方法も江本らのモデルと異なり, ヘッブ則に基づいた式(4.1), 式(4.2)に従って逐次学習で行う。

本実験で使うモデルの各種パラメータの値をTable (7.1)に示す。

表 7.1: Various parameters

Parameter	Value
$\epsilon$	$0.015$
$v_{ij}$	$2.0$
$v_{ij}^{ip-cx}$	$0.002$
$\theta$	0
$k_s$	$0.95$
$k_m$	$0.1$
$k_r$	$0.95$
$\Delta \omega_{ij}^{ca}$	$0.000003$
$\Delta \omega_{ij}^{cx}$	$0.0000001$
$\alpha^{ca}$	$0.0006$
$\alpha^{cx}$	$0.06$
Number of units	$100$