ヘッブの行動の機構の技法
ヘッブの法則
ドナルド・ヘッブは、学習中に脳内で起こる変化について説明するために1949年に仮説を立てました。この仮説は、一般に「一緒に発火するニューロンは結合する」というフレーズで要約されます。より正確に言えば、ヘッブの法則では、シナプス前ニューロンがシナプス後ニューロンの発火を繰り返し誘導する場合、そのシナプス結合の強度が増加するとされています。この考え方は、学習と記憶におけるシナプス可塑性の役割を理解するための基礎となっています。
ヘッブ学習の機構
ヘッブ学習は、生物学的ニューロンの特定の特性とメカニズムを単純化した、一種の人工ニューラルネットワーク学習です。ヘッブ学習の基本的な機構には以下のものが含まれます。
* **シナプス前後の活動:** ヘッブ学習の中心にあるのは、シナプス前ニューロンとシナプス後ニューロンの活動の時間的相関関係です。シナプス前ニューロンの活動がシナプス後ニューロンの活動と一貫して相関している場合、そのシナプス結合が強化されます。
* **シナプスの重みの変更:** ヘッブ学習では、シナプス前ニューロンとシナプス後ニューロンの活動の積に比例して、シナプスの重み（結合強度）が変更されます。シナプス前後の両方のニューロンが同時に強く活動している場合、シナプス結合は強化されます。逆に、一方のニューロンが活動していてもう一方が活動していない場合、シナプス結合は弱くなります。
* **長期増強（LTP）と長期抑圧（LTD）:** ヘッブ学習は、シナプス可塑性の生物学的プロセス、特にLTPとLTDに関連しています。LTPとは、シナプス伝達の持続的な増強を指し、LTDとは、シナプス伝達の持続的な減衰を指します。ヘッブ学習は、シナプス前後の活動パターンに基づいて、LTPとLTDを誘導すると考えられています。
ヘッブ学習の技法
ヘッブ学習を実装するために、さまざまな学習規則やアルゴリズムが開発されてきました。これらの技法は、シナプス可塑性の特定の側面やヘッブの法則の解釈が異なります。ヘッブ学習の一般的な技法を以下に示します。
* **ヘッブ則:** これは、シナプス前後の活動の積に基づいてシナプスの重みを更新する、最も単純で最も基本的なヘッブ学習規則です。
* **コヴァリアンス則:** この規則では、シナプス前後の活動とそれぞれの平均活動の偏差を使用してシナプスの重みを更新します。これにより、活動の相関関係をより適切に捉えることができます。
* **BCM則:** この規則では、シナプス後ニューロンの活動のしきい値を導入しており、シナプス可塑性の両方向性を考慮しています。シナプス結合は、シナプス後ニューロンの活動がこのしきい値を超えた場合にのみ強化され、しきい値を下回った場合には弱体化します。
* **Oja則:** この規則では、シナプス後ニューロンの出力を使用してシナプスの重みを更新することにより、シナプス後ニューロンの重みベクトルの長さが制限されるようにします。これにより、結合が際限なく増加することを防ぎます。
これらは、ヘッブの行動の機構の技法を深く掘り下げたものです。