《中国人工智能学会通讯》——7.28 利用 PrAGMATiC 算法构建语义地 图集

7.28 利用 PrAGMATiC 算法构建语义地 图集

鉴于在不同的被试上,语义系统区域的语义选择性分布模式有很强的一致性,我们希望建立一个人类大脑皮层上的地图集来描述语义选择性功能区域的分布。为了实现这一目标,设计了一种新的贝叶斯算法 PrAGMATiC 来获得覆盖大脑皮层区域的概率生成模型。这个算法为体元精度下模拟的致密层叠的大脑功能同源区域地图的功能调谐模式建立了模型,同时考虑到了不同被试间大脑解剖结构和功能构造上的差异。不同功能区域的组织和选择性由使用 fMRI 数据通过类似对比散度 (contrastivedivergence) 的最大似然估计法学习得到的参数决定。其中一些参数在不同被试间是共享的,这些参数描述了被试群体大脑皮层语义地图的共有性质。其他的参数则是被试间独立的,这些参数反映了被试间的差异。通过估计这些共享的和独立的参数,能够规避一般建模时要将不同被试间大脑解剖结构和功能的数据进行相互对应的问题。

PrAGMATiC 算法包括两个部分:安排模型(arrangement model)决定不同功能区域在皮质表层的位置;发散模型(emission model)在不同功能区的安排的基础上生成语义地图。安排模型模拟一个物理学上的弹簧网络结构,将每个功能区域的质心和相邻的质心连接起来。每个被试建模时都有相同的平衡弹簧长度,但是每个弹簧均可以独立的拉伸或压缩。功能区域的安排同时也受限于大脑功能区域上的界标(functional landmark),这些界标是在每个被试独立的数据中标记我们感兴趣的大脑已知区域得到的。这些限制条件保证了在不同被试间,绘制的语义地图是相似的,但同时保留了在功能区域的大小和细节的安排上被试间的个体差异。借助于安排模型,发散模型能够将每个皮质表层区域的顶点分配给最近的区域质心点,从而创建大脑功能同源区域。每个皮质表层区域顶点的语义功能值通过多元正态分布得到。而每个区域的的平均语义功能值在每个被试间保持一致,通过算法自学习得到。我们将语义功能值定义为一个四维向量,这个四维向量能够反映估计模型中大脑每个体积元在前文中提到的共有的四个语义维度的表示情况。

PrAGMATiC 算法中的一个重要超参数是覆盖大脑皮层的区域数量。我们使用交叉验证的方法在每半个脑区选择合理的覆盖区域数量,同时测试这些区域是否具有语义选择性。首先使用 6 名被试的数据对 PrAGMATiC 算法模型进行估计,然后在仅获知第 7 名被试的大脑皮层生理结构和功能区域上的界标的条件下,对其大脑语义地图进行预测。使用预测得到的语义地图对第 7 名被试的血氧浓度进行预测,和实验中收集的真实数据进行比较,从而来观察 PrAGMATiC 算法模型在不同被试间的泛化能力。随着覆盖大脑皮层的区域数量从 8 上升到128,预测准确度快速上升,128 之后仍有缓慢提高(见图 3b)。在大脑左半球部分,预测准确度在区域数量超过 192 后没有统计学意义上的明显提升(FDR>0.1,使用包含被试个体随机差异影响的Tukey 事后检验法)。在大脑右半球部分,预测准确度在区域数量超过 128 后没有统计学意义上的明显提升。然而,由于 PrAGMATiC 算法模型对大脑皮层全覆盖处理,先前的这些区域中同时包含具有语义选择性和不具有语义选择性的区域。为了挑选具有语义选择性的区域,同时去除没有语义选择性的区域,在每个区域检测该区域的平均体积元语义模型是否能够比仅利用语速、音率、音素等低级语言特征的平均预测模型更好地预测血氧浓度变化。通过这种方式,能够去除对语义和低级语言特征没有选择性的区域,比如运动和视觉皮层区域;同时也能够去除没有专一语义选择性的区域,如 Broca区域,因为在这些区域语义模型权重的不确定性较大。

图 3c 展示了一名被试映射到大脑皮层表面的语义地图集的图像。左半球大脑包括 77 个语义区域(FDR<1/192,bootstrap 检验),右半球大脑包括 63 个语义区域(FDR<1/128,bootstrap 检验)。结果显示外侧顶叶皮层(LPC)、内侧顶叶皮层(MPC)和顶上前额叶皮层(SPFC)上覆盖有多个表示不同语义模块的区域。在外侧顶叶皮层和内侧顶叶皮层的中央区域(二者分别靠近角形脑回和顶下沟)对“social(社会)”词汇目录具有语义选择性,而它们的周边区域则对“numeric(数值)”、“visual(视觉)”和“tactile(触觉)”词汇目录具有语义选择性。在顶上前额叶皮层,中心区域主要对“social(社会)”词汇目录具有语义选择性,而背外侧的区域的语义选择性则更加多样。外侧顶叶皮层、内侧顶叶皮层和顶上前额叶皮层同属于默认模式神经网络(DMN,default modenetwork),通常认为与内省、沉思和意识思维有关。那么存在一种有趣的可能——我们的模型中确认的语义区域同样可以表示大脑进行意识思维活动时的语义模块。这也许表明人思考的内容和内心言语可以尝试使用体积元模型进行解码。相比外侧顶叶皮层、内侧顶叶皮层和顶上前额叶皮层三个区域,外侧颞叶皮层(LTC)在我们的语义地图集中只覆盖了极少的语义选择性区域。考虑到外侧颞叶皮层同属于默认模式神经网络,并且被认为在语言理解中发挥重要作用,这一实验结果非常令人惊讶。然而,由于实验中颞叶前部记录到的fMRI信号质量较差,因此外侧颞叶皮层可能包含其他使用我们现有技术方法不能覆盖到的语义选择性区域。外侧顶叶皮层、内侧顶叶皮层、顶上前额叶皮层、外侧颞叶皮层、腹侧颞叶皮层(VTC)、顶下前额叶皮层(IPFC)以及鳃盖骨皮层(opercular cortex)和岛叶皮层(insular cortex)上语义表示的详细分析、相关讨论和与早期神经影像、损伤实验结果的比较都可以在补充材料中获取。

时间: 2024-10-31 11:48:00

《中国人工智能学会通讯》——7.28 利用 PrAGMATiC 算法构建语义地 图集的相关文章

《中国人工智能学会通讯》——12.53 知识图谱构建技术

12.53 知识图谱构建技术 知识图谱中知识的来源有两类,一类是互联网上分布.异构海量资源:一类是已有的结构化的异构语义资源.从第一类资源中构建知识图谱的方法根据获取知识的类型分为概念层次学习.事实学习.事件学习等,而第二类资源进行的工作是异构资源的语义集成. 概念层次学习 概念是人们理解客观世界的线索,是人们对客观世界中的事物在不同层次上的概念化描述,概念层次是知识图谱的"骨骼".概念层次学习就是通过合理的技术,抽取知识表示中的概念,并确定其上下位关系.概念层次学习多采用基于启发式规

《中国人工智能学会通讯》——12.29 任务分配算法

12.29 任务分配算法 下面介绍如何将合适的工作分配给正在请求任务的工人 W.采用的思路是首先对每一个任务,都考虑如果将 W 中的某些工人安排给它,它的准确率会有多少提升:然后选择为每个工人选择最优的 h个任务,以最大化地提升准确率. 准确率估算 : 在推断模型中,P(z t,k ) 被用来推断 l t,k 的真实结果.如果 l t,k 的真实结果是 1,那么推断的准确率就是 P(z t,k =1):如果真实结果是 0,那么推断的准确率就是 P(z t,k =0).因此,需就真实结果是 1 或

中国人工智能学会通讯——深度学习与视觉计算 1.3 计算机视觉领域利用深度学习可能带来的未来研究方向

1.3 计算机视觉领域利用深度学习可能带来的未来研究方向 第一个,深度图像分析.目前基于深度 学习的图像算法在实验数据库上效果还是 不错的,但是远远不能够满足实际大规模 应用需求,需要进一步的提升算法性能从 而能够转化相应的实际应用.比如这个基 于图片的应用,可以估计性别和年龄,但 是其实经常会犯错,因此需要进一步提升 深度图像分析的性能. 第二个,深度视频分析.视频分析牵扯 到大量的数据和计算量,所以做起来更加 麻烦.当前深度视频分析还处于起步的阶 段,然而视频应用非常广泛,比如人机交互. 智

中国人工智能学会通讯——机器学习里的贝叶斯基本理论、模型和算法

非常感 谢周老师给这个机会让我跟大家分享一下.我今天想和大家分享的是,在深度学习或者大数据环境下我们怎么去看待相对来说比较传统的一类方法--贝叶斯方法.它是在机器学习和人工智能里比较经典的方法. 类似的报告我之前在CCF ADL讲过,包括去年暑假周老师做学术主任在广州有过一次报告,大家如果想看相关的工作,我们写了一篇文章,正好我今天讲的大部分思想在这个文章里面有一个更系统的讲述,大家可以下去找这篇文章读. 这次分享主要包括三个部分: 第一部分:基本理论.模型和算法 贝叶斯方法基础 正则化贝叶斯推

中国人工智能学会通讯——无智能,不驾驶——面向未来的智能驾驶时代 ( 下 )

到目前为止似乎比较完美,而实际还 存在着一些问题.我们现在看到很多道 路上面,交通标志牌它的分布非常稀疏, 可能每过一两公里才能够检测出来一个 交通标志牌,因为毕竟这个深度学习算 法是目前最完美的,它有时候还会错过 一个交通标志牌,这时候怎么办呢?我 们会发现在路面上也有非常明显的视觉 特征,我只要把路面的这些视觉特征识 别出来进行匹配,其实是有连续的绝对 的视觉参考的.所以我们做的办法是, 把这个路面粘贴起来.这个粘贴的方法 很简单,跟我们手机拍场景图片一样, 我们慢慢移动的时候可以把这个场景

中国人工智能学会通讯——深蓝、沃森与AlphaGo

在 2016 年 3 月 份,正当李 世石与AlphaGo 进行人机大战的时候,我曾经写过 一 篇< 人 工 智 能 的 里 程 碑: 从 深 蓝 到AlphaGo>,自从 1997 年深蓝战胜卡斯帕罗夫之后,随着计算机硬件水平的提高,计算机象棋(包括国际象棋和中国象棋)水平有了很大的提高,达到了可以战胜人类最高棋手的水平.但是,长期以来,在计算机围棋上进展却十分缓慢,在 2006 年引入了蒙特卡洛树搜索方法之后,也只能达到业余 5 段的水平.所以 AlphaGo 战胜韩国棋手李世石,确实是人

中国人工智能学会通讯——着力突破与创新 实现超越与引领

提 要 2016年3月,围棋人机大战的结果,在舆论界激起了惊涛骇浪:在科技界也引起了强烈反响.为了把握人工智能的发展现状和规律,探讨我国人工智能的发展战略,在中国人工智能学会和众多人工智能同行的支持下,由本文作者出面申请了一次高层战略研讨会,这就是以"发展人工智能,引领科技创新"为主题的香山科学会议.与会者同气相求.同心协力,站在国家战略的高度,以纵览全球的视野,通过深入的研讨和论证,凝聚了诸多宝贵的共识,形成了直送中央的<关于加快发展我国人工智能的专家建议>.本文简要介绍

中国人工智能学会通讯——2016机器智能前沿论坛召开

2016 年 12 月 17 日,由中国人工智能学会.中国工程院战略咨询中心主办,今日头条.IEEE<计算科学评论>协办的"2016机器智能前沿论坛"暨"2016 BYTE CUP国际机器学习竞赛颁奖仪式"在中国工程院举办.论坛嘉宾包括中外顶尖的数据挖掘.机器学习,以及自然语言处理方向的专家学者. 与以往不同,本次论坛除介绍机器学习的重大进展和应用外,还着重讨论了机器学习技术在媒体数据上的应用,并为2016 BYTE CUP 国际机器学习竞赛的获奖选手进

中国人工智能学会通讯——混合智能概念与新进展

脑科学以阐明脑的工作原理为目标,近年来已成为最重要的科学前沿领域之一.脑功能计算.脑智能模仿再度成为学术界和产业界热议话题[1-4].欧盟.美国.日本相继启动了大型脑研究计划,强有力推动了人们对脑结构.脑功能和脑智能的探索和认识:另一方面,人工智能研究风起云涌,最近一个标志性事件是谷歌的AlphaGo以4:1战胜围棋世界冠军李世石[5],实现了围棋人工智能领域史无前例的突破.2016年9月斯坦福大学发布了<2030年的人工智能与生活>报告[6],全面评估了当前人工智能的进展.挑战.机遇与展望.