Theoretical Computational Models for the Cognitive Map

DSpace Repository


Dateien:

URI: http://hdl.handle.net/10900/148803
http://nbn-resolving.de/urn:nbn:de:bsz:21-dspace-1488031
http://dx.doi.org/10.15496/publikation-90143
Dokumentart: PhDThesis
Date: 2023-12-21
Language: English
Faculty: 7 Mathematisch-Naturwissenschaftliche Fakultät
Department: Informatik
Advisor: Mallot, Hanspeter A. (Prof. Dr.)
Day of Oral Examination: 2023-11-21
DDC Classifikation: 500 - Natural sciences and mathematics
Keywords: Kognitive Landkarte , Neuronales Netz , Landmarke , Navigation , Hierarchie , Euklidischer Graph , Distanzgraph , Metrischer Graph , Kognitionswissenschaft , Ortsgedächtnis , Hippocampus
Other Keywords:
place cells
grid cells
Euclidean map
License: http://tobias-lib.uni-tuebingen.de/doku/lic_mit_pod.php?la=de http://tobias-lib.uni-tuebingen.de/doku/lic_mit_pod.php?la=en
Order a printed copy: Print-on-Demand
Show full item record

Inhaltszusammenfassung:

In den letzten Jahrzehnten hat die Forschung nach der Frage, wie Raum im Gehirn repräsentiert wird, ein weit verzweigtes Netzwerk von spezialisierten Zellen aufgedeckt. Es ist nun klar, dass Räumlichkeit auf irgendeine Art repräsentiert sein muss, aber die genaue Umsetzung wird nach wie vor debattiert. Folgerichtig liegt das übergeordnete Ziel meiner Dissertation darin, das Verständnis von der neuronalen Repräsentation, der Kognitiven Karte, mithilfe von theoretischer Computermodellierung (im Gegensatz zu datengetriebener Modellierung) zu erweitern. Die Arbeit setzt sich aus vier Publikationen zusammen, die das Problem aus verschiedenen, aber miteinander kompatiblen Richtungen angehen: In den ersten beiden Publikationen geht es um zielgerichtete Navigation durch topologische Graphen, in denen die erkundete Umgebung als Netzwerk aus loka len Positionen und sie verbindenden Handlungen dargestellt wird. Im Gegensatz zu Koordinaten-basierten metrischen Karten sind Graphenmodelle weniger gebunden und haben verschiedene Vorteile wie z.B. Algorithmen, die garantiert optimale Pfade finden. Im ersten Modell sind Orte durch Populationen von einfachen Bildfeatures im Graphen gespeichert. Für die Navigation werden dann mehrere Pfade gleichzeitig zwischen Start- und Zielpopulationen berechnet und die schlussendliche Route folgt dem Durchschnitt der Pfade. Diese Methode macht die Wegsuche robuster und umgeht das Problem, Orte entlang der Route wiedererkennen zu müssen. In der zweiten Publikation wird ein hierarchisches Graphenmodell vorgeschlagen, bei dem die Umgebung in mehrere Regionen unterteilt ist. Das Regionenwissen ist ebenfalls als übergeordnete Knoten im Graphen gespeichert. Diese Struktur führt bei der Wegsuche dazu, dass die berechneten Routen verzerrt sind, was mit dem Verhalten von menschlichen Probanden in Navigationsstudien übereinstimmt. In der dritten Publikation geht es auch um Regionen, der Fokus liegt aber auf der konkreten biologischen Umsetzung in Form von Place Cell und Grid Cell-Aktivität. Im Gegensatz zu einzigartigen Ortsknoten im Graphen zeigen Place Cells multiple Feuerfelder in verschiedenen Regionen oder Kontexten. Dieses Phänomen wird als Remapping bezeichnet und könnte der Mechanismus hinter Regionenwissen sein. Wir modellieren das Phänomen mithilfe eines Attraktor-Netzwerks aus Place- und Grid Cells: Immer, wenn sich der virtuelle Agent des Modells von einer Region in eine andere bewegt, verändert sich der Kontext und die Zellaktivität springt zu einem anderen Attraktor, was zu einem Remapping führt. Das Modell kann die Zellaktivität von Tieren in mehreren Experimentalumgebungen replizieren und ist daher eine plausible Erklärung für die Vorgänge im biologischen Gehirn. In der vierten Publikation geht es um den Vergleich von Graphen- und Kartenmodellen als fundamentale Struktur der kognitiven Karte. Im Speziellen geht es bei dieser Debatte um die Unterscheidung zwischen nicht-metrischen Graphen und metrischen euklidischen Karten; euklidische Karten sind zwar mächtiger als die Alternative, aber menschliche Probanden neigen dazu, Fehler zu machen, die stark von einer metrischen Vorhersage abweichen. Deshalb wird häufig argumentiert, dass nicht-metrische Modelle das Verhalten besser erklären können. Wir schlagen eine alternative metrische Erklärung für die nichtmetrischen Graphen vor, indem wir die Graphen im metrischen Raum einbetten. Die Methode wird in einer bestimmten nicht-euklidischen Beispielumgebung gezeigt, in der sie Versuchspersonenverhalten genauso gut vorhersagen kann, wie ein nichtmetrischer Graph. Wir argumentieren daher, dass unser Modell ein besseres Modell für Raumrepräsentation sein könnte. Zusätzlich zu den Einzelergebnissen diskutiere ich außerdem die Gemeinsamkeiten der Modelle und wie sie in den derzeitigen Stand der Forschung zur kognitiven Karte passen. Darüber hinaus erörtere ich, wie die Ergebnisse zu komplexeren Modellen vereint werden könnten, um unser Bild der Raumkognition zu erweitern.

Abstract:

Decades of research into the neural representation of physical space have uncovered a complex and distributed network of specialized cells in the mammalian brain. It is now clear that space is represented in some form, but the realization remains debated. Accordingly, the overall aim of my thesis is to further the understanding of the neural representation of space, the cognitive map, with the aid of theoretical computational modeling (as opposed to data-driven modeling). It consists of four separate publications which approach the problem from different but complementing perspectives: The first two publications consider goal-directed navigation with topological graph models, which encode the environment as a state-action graph of local positions connected by simple movement instructions. Graph models are often less constrained than coordinate-based metric maps and offer a variety of computational advantages; for example, graph search algorithms may be used to derive optimal routes between arbitrary positions. In the first model, places are encoded by population codes of low-level image features. For goal-directed navigation, a set of simultaneous paths is obtained between the start and goal populations and the final trajectory follows the population average. This makes route following more robust and circumvents problems related to place recognition. The second model proposes a hierarchical place graph which subdivides the known environment into well-defined regions. The region knowledge is included in the graph as superordinate nodes. During wayfinding, these nodes distort the resulting paths in a way that matches region-related biases observed in human navigation experiments. The third publication also considers region coding but focuses on more concrete biological implementation in the form of place cell and grid cell activity. As opposed to unique nodes in a graph, place cells may express multiple firing fields in different contexts or regions. This phenomenon is known as “remapping” and may be fundamental to the encoding region knowledge. The dynamics are modeled in a joint attractor neural network of place and grid cells: Whenever a virtual agent moves into another region, the context changes and the model remaps the cell activity to an associated pattern from memory. The model is able to replicate experimental findings in a series of mazes and may therefore be an explanation for the observed activity in the biological brain. The fourth publication again returns to graph models, joining the debate on the fundamental structure of the cognitive map: The internal representation of space has often been argued to either take the form of a non-metric topological graph or a Euclidean metric map in which places are assigned specific coordinates. While the Euclidean map is more powerful, human navigation in experiments often strongly deviates from a (correct) metric prediction, which has been taken as an argument for the non-metric alternative. However, it may also be possible to find an alternative metric explanation to the non-metric graphs by embedding the latter into metric space. The method is shown with a specific non-Euclidean example environment where it can explain subject behavior equally well to the purely non-metric graph, and it is argued that it is therefore a better model for spatial knowledge. Beyond the individual results, the thesis discusses the commonalities of the models and how they compare to current research on the cognitive map. I also consider how the findings may be combined into more complex models to further the understanding of the cognitive neuroscience of space.

This item appears in the following Collection(s)