Neural mechanisms of credit assignment for inferred relationships in a structured world
Neural mechanisms of credit assignment for inferred relationships in a structured world
复制标题
结构化世界中推断关系的信用分配神经机制
DOI：
10.1016/j.neuron.2022.05.021
复制
发表时间：
2022
期刊：
影响因子：
16.2
通讯作者：
Boorman, Erie D.
中科院分区：
文献类型：
--
作者：
Witkowski, Phillip P.;Park, Seongmin A.;Boorman, Erie D.
动物抽象任务结构的紧凑表示，这支持加速学习和灵活的行为。在结构化环境中，这种抽象表示是否以及如何用于为推断的但未观察到的关系分配信用是未知的。我们开发了一个分层逆向学习任务和贝叶斯学习模型，以评估人类如何通过结构化知识推断特定选择-结果关联的计算和神经机制。我们发现，内侧前额叶皮层（mPFC）有效地代表层次相关的选择结果协会由相同的潜在原因，使用一个广义的代码来分配信贷的经验和推断的结果。此外，mPFC和外侧眶额皮层跟踪当前的“位置”内的潜在的关联空间，概括了刺激。总的来说，这些研究结果表明，在一个抽象的任务空间和有效的跟踪当前位置的重要性，概括表示在前额叶皮层支持灵活的学习和推理结构化的环境。
Animals abstract compact representations of a task's structure, which supports accelerated learning and flexible behavior. Whether and how such abstracted representations may be used to assign credit for inferred, but unobserved, relationships in structured environments are unknown. We develop a hierarchical reversal-learning task and Bayesian learning model to assess the computational and neural mechanisms underlying how humans infer specific choice-outcome associations via structured knowledge. We find that the medial prefrontal cortex (mPFC) efficiently represents hierarchically related choice-outcome associations governed by the same latent cause, using a generalized code to assign credit for both experienced and inferred outcomes. Furthermore, the mPFC and lateral orbitofrontal cortex track the current "position" within a latent association space that generalizes over stimuli. Collectively, these findings demonstrate the importance of both tracking the current position in an abstracted task space and efficient, generalizable representations in the prefrontal cortex for supporting flexible learning and inference in structured environments.
登录
查看更多内容
影响因子：
5.7
作者：
Schwartenbeck P;FitzGerald THB;Dolan R
通讯作者：
Dolan R
影响因子：
25
作者：
Park SA;Miller DS;Boorman ED
通讯作者：
Boorman ED
影响因子：
7.7
作者：
Muller, Timothy H.;Mars, Rogier B.;O'Reilly, Jill X.
通讯作者：
O'Reilly, Jill X.
大脑和神经网络中任务表征的丰富而惰性的学习
DOI：
--
发表时间：
2021
期刊：
bioRxiv
影响因子：
--
作者：
Timo Flesch;Keno Juechems;T. Dumbalska;Andrew M. Saxe;C. Summerfield
通讯作者：
C. Summerfield
影响因子：
1.9
作者：
Iordanova, M. D.;Killcross, A. S.;Honey, R. C.
通讯作者：
Honey, R. C.