多重トレース理論

心理学において、多重痕跡理論は、強さ理論の代替モデルとして提唱された記憶固定モデルである。これは、何らかの情報が人に提示されるたびに、その情報がその属性の組み合わせからなる固有の記憶痕跡に神経的に符号化されると仮定している。 ^[1]この理論は、1960年代に、人は物体自体を覚えていなくても、その物体に関する特定の属性を思い出すことができるという経験的発見によってさらに裏付けられた。 ^[2] 情報が提示され、その後符号化されるモードは、モデルに柔軟に組み込むことができる。この記憶痕跡は、項目の属性のいくつかの側面が異なるため、類似する他のすべての記憶痕跡とは独特であり、誕生以来組み込まれたすべての記憶痕跡が、脳内で多重痕跡表現に結合される。^[3]記憶の研究では、この理論の数学的定式化により、認識タスクと想起タスクで観察される経験的現象をうまく説明できる。

アイテムが持つ属性がその痕跡を形成し、多くのカテゴリに分類できます。アイテムが記憶に定着すると、これらの属性カテゴリのそれぞれからの情報がアイテムの痕跡にエンコードされます。ある種の意味的分類が作用し、個々の痕跡がオブジェクトの包括的な概念に組み込まれる場合があります。たとえば、人がハトを見ると、その人の心の中の「ハト」痕跡のクラスターに痕跡が追加されます。この新しい「ハト」の痕跡は、その人が人生で見た他のハトの事例とは区別して区別できますが、ハトのより一般的で包括的な概念をサポートするのに役立ちます。

アイテムの物理的属性は、提示されたアイテムの物理的特性に関する情報をエンコードします。単語の場合、これには色、フォント、スペル、サイズが含まれますが、画像の場合、同等の側面はオブジェクトの形状と色です。個々の単語を思い出せない人でも、最初または最後の文字、さらには韻を踏んだ単語を思い出すことができることが実験的に示されています。 ^[4]すべての側面は、単語の痕跡の物理的な綴りにエンコードされています。アイテムが視覚的に提示されていない場合でも、エンコードされている場合は、アイテムの視覚的表現に基づいて物理的な側面を持つ場合があります。

文脈属性は、アイテムの提示と同時に起こる内部および外部の特徴を定義する幅広い属性のクラスです。内部コンテキストは、痕跡が呼び起こす内部ネットワークの感覚です。^[5]これは、個人の気分の側面から、単語の提示が呼び起こす他の意味的連想までの範囲に及びます。一方、外部コンテキストは、情報が提示される際の空間的および時間的側面に関する情報をエンコードします。これは、たとえば、時刻や天気を反映する場合があります。空間属性は、物理的環境と想像上の環境の両方を指す場合があります。場所法は、想像上の空間位置を組み込んだ記憶術戦略であり、記憶されたさまざまなアイテムに相対的な空間位置を割り当て、割り当てられた位置を「歩いて」アイテムを記憶します。

モダリティ属性には、アイテムが提示された方法に関する情報が含まれます。実験設定で最も一般的なモダリティの種類は、聴覚と視覚です。実際には、あらゆる感​​覚モダリティを利用できます。

これらの属性は、提示されるアイテムの分類を指します。同じカテゴリに当てはまるアイテムは、同じクラス属性を持ちます。たとえば、「タッチダウン」というアイテムが提示された場合、それは「フットボール」またはより一般的には「スポーツ」という包括的な概念を想起させ、「エンドゾーン」や同じ概念に当てはまる他の要素とクラス属性を共有する可能性があります。単一のアイテムは、コンテキストなどのアイテムの他の属性に応じて、提示時に異なる概念に当てはまる場合があります。たとえば、「星」という単語は、宇宙博物館を訪れた後は天文学のクラスに分類され、映画を見た後は「有名人」や「有名」などの単語と同じクラスに分類される可能性があります。

トレースの数学的定式化により、記憶を、属性のベクトルの形で継続的に情報を受け取り、組み込む、常に成長するマトリックスとしてモデル化できます。多重トレース理論では、誕生から死に至るまで、エンコードされたすべての項目が、このマトリックス内に多重トレースとして存在するとされています。これは、エンコード時に分類するために、すべての可能な属性に数値を与えることによって行われます。そのため、エンコードされた各記憶には、一意の数値属性のセットがあります。

すべての可能な属性に数値を割り当てると、エンコードされた各項目の列ベクトル表現を簡単に構築できます。このベクトル表現は、ベクトル「メモリ」を入力として受け取り、ニューロンを通じてその生物学的エンコードをシミュレートする ニューラル ネットワークなどの脳の計算モデルに取り込むこともできます。

形式的には、エンコードされた記憶は、そのすべての可能な属性に数値を割り当てることによって表すことができます。2 つのアイテムが同じ色であると認識された場合、または同じコンテキストで経験された場合、それぞれの色とコンテキスト属性を表す数値は比較的近くなります。オブジェクトを見るたびに、合計L個の属性をエンコードするとします。すると、メモリがエンコードされると、列ベクトルに合計L 個の数値エントリ を持つm ₁として記述できます。

${\displaystyle \mathbf {m_{1}} ={\begin{bmatrix}m_{1}(1)\\m_{1}(2)\\m_{1}(3)\\\vdots \\m_{1}(L)\end{bmatrix}}}$。

L個の属性のサブセットはコンテキスト属性に、サブセットは物理属性に、というように割り当てられます。多重トレース理論の根底にある仮定の 1 つは、複数の記憶を構築するときに、属性を同じ順序で整理することです。したがって、同様にベクトルm ₂、m ₃、...、m _nを定義して、 n個のエンコードされた記憶の合計を説明できます。多重トレース理論では、これらの記憶が脳内で集まり、個々の記憶の単純な連結からメモリ マトリックスを形成するとしています。

${\displaystyle \mathbf {M} ={\begin{bmatrix}\mathbf {m_{1}} &\mathbf {m_{2}} &\mathbf {m_{3}} &\cdots &\mathbf {m_{n}} \end{bmatrix}}={\begin{bmatrix}m_{1}(1)&m_{2}(1)&m_{3}(1)&\cdots &m_{n}(1)\\m_{1}(2)&m_{2}(2)&m_{3}(2)&\cdots &m_{n}(2)\\\vdots &\vdots &\vdots &\vdots &\vdots \\m_{1}(L)&m_{2}(L)&m_{3}(L)&\cdots &m_{n}(L)\end{bmatrix}}}$。

属性の合計がL 個、メモリの合計がn 個の場合、 M にはL行とn列が含まれます。n個のトレースが大きなメモリ マトリックスに結合されますが、各トレースはこのマトリックスの列として個別にアクセスできることに 注意してください。

この定式化では、n 個の異なるメモリは、多かれ少なかれ互いに独立して作成されます。ただし、何らかの設定で一緒に提示されたアイテムは、コンテキスト ベクトルの類似性によって接線的に関連付けられます。複数のアイテムが互いに関連付けされ、そのように意図的にエンコードされている場合 (アイテムaとアイテムbなど)、これら 2 つのメモリは、それぞれが次のようにk個の属性を持つように構築できます。

${\displaystyle \mathbf {m_{ab}} ={\begin{bmatrix}a(1)\\a(2)\\\vdots \\a(k)\\b(1)\\b(2)\\\vdots \\b(k)\end{bmatrix}}={\begin{bmatrix}\mathbf {a} \\\mathbf {b} \end{bmatrix}}}$。

項目が次々に学習されるとき、それらは同じ時間的コンテキストで学習されていると言いたくなる。しかし、現実には、コンテキストには微妙な変化がある。そのため、コンテキスト属性は、確率過程によってモデル化されるように、時間の経過とともに変化すると考えられることが多い。^[6]記憶m _iのコンテキストを表すr個の合計コンテキスト属性t _iのベクトルを考えると、次にエンコードされる記憶のコンテキストはt _i+1で与えられる。

${\displaystyle \mathbf {t_{i+1}(j)} =\mathbf {t_{i}(j)+\epsilon (j)} }$

それで、

${\displaystyle \mathbf {t_{i+1}} ={\begin{bmatrix}t_{i}(1)+\epsilon (1)\\t_{i}(2)+\epsilon (2)\\\vdots \\t_{i}(r)+\epsilon (r)\end{bmatrix}}}$

ここで、ε(j)はガウス分布からサンプリングされた乱数です。

後続のセクションで説明するように、多重トレース理論の特徴は、プローブ項目を既存のエンコードされた記憶のマトリックスと比較する機能です。これは記憶検索プロセスをシミュレートし、認識タスクの場合のようにプローブを以前に見たことがあるかどうか、またはキューリコールの場合のようにプローブが以前にエンコードされた別の記憶を引き起こすかどうかを判断できます。

まず、プローブp は属性ベクトルとしてエンコードされます。前述のメモリ行列Mの例を続けると、プローブにはL 個のエントリがあります。

${\displaystyle \mathbf {p} ={\begin{bmatrix}p(1)\\p(2)\\\vdots \\p(L)\end{bmatrix}}}$。

次に、このpと各m _i間のユークリッド距離を決定することによって、M内のすべての既存のメモリ（トレース）と1つずつ比較します。

${\displaystyle \left\Vert \mathbf {p-m_{i}} \right\|={\sqrt {\sum _{j=1}^{L}(p(j)-m_{i}(j))^{2}}}}$。

コンテキストの確率的性質のため、多重トレース理論では、プローブ項目がエンコードされたメモリと完全に一致することはほとんどありません。それでも、pとmi_間の類似性が高いことは、ユークリッド距離が小さいことで示されます。したがって、距離に対して別の操作を実行する必要があります。これにより、距離が大きい場合は類似性が非常に低くなり、距離が小さい場合は類似性が非常に高くなります。線形操作では、類似性の低い項目を十分に厳しく排除できません。直感的には、指数関数的減衰モデルが最も適していると思われます。

${\displaystyle similarity(\mathbf {p,m_{i}} )=e^{-\tau \left\Vert \mathbf {p-m_{i}} \right\|}}$

ここで、τ は実験的に割り当てられる減衰パラメータです。次に、プローブpとメモリ行列Mの合計類似度SS(p,M)によってメモリ行列全体の類似度を定義できます。

${\displaystyle \mathbf {SS(p,M)} =\sum _{i=1}^{n}e^{-\tau \left\Vert \mathbf {p-m_{i}} \right\|}=\sum _{i=1}^{n}e^{-\tau {\sqrt {\sum _{j=1}^{L}(p(j)-m_{i}(j))^{2}}}}}$。

プローブ項目がエンコードされた記憶の 1 つに非常に類似している場合、SS は大幅にブーストされます。たとえば、プローブ項目としてm _{1 を}指定すると、 i=1 の場合、距離はほぼ 0 になり (コンテキストによるものではありません)、 SSにほぼ最大限のブーストが追加されます。背景の類似性と区別するために (コンテキストやいくつかの属性などとの類似性は常に低くなります)、SS はしばしば何らかの任意の基準と比較されます。基準よりも高い場合、プローブはエンコードされたものの 1 つと見なされます。基準は、タスクの性質と誤報を防ぎたいという要望に基づいて変更できます。したがって、多重トレース理論では、何らかの手がかりが与えられると、脳はその手がかりを基準と比較して、「この手がかりは以前に経験したことがあるか?」 (認識) や「この手がかりはどのような記憶を呼び起こすか?」 (手がかりによる想起) などの質問に答えることができると予測されています。これらは、以下で説明する合計類似性の応用です。

多重痕跡理論は、認識の概念的枠組みによく適合する。認識では、個人が以前にアイテムを見たことがあるかどうかを判断する必要がある。たとえば、顔認識では、以前に顔を見たことがあるかどうかを判断する。正常にエンコードされたアイテム（実際に以前に見たことがあるもの）に対してこれを要求された場合、認識は高い確率で行われるはずである。この理論の数学的枠組みでは、基準との合計類似度によって個々のプローブアイテムpの認識をモデル化することができる。エンコードされたメモリの場合と同様に、テストアイテムを属性ベクトルに変換し、これまでに遭遇したすべての痕跡と比較する。合計類似度が基準を満たした場合、以前にアイテムを見たことがあると言う。アイテムが一度も見たことがない場合は合計類似度は非常に低くなると予想され、プローブの属性がメモリマトリックスの一部のメモリに類似しているために見たことがある場合は比較的高くなると予想されます。

${\displaystyle P(recognizing~p)~=~P(\mathbf {SS(p,M)} >criterion)}$

これは、個々のアイテムの認識と、2 つ以上のアイテムを一緒に認識する場合の連想認識の両方に適用できます。

この理論は、手がかりによる想起も説明できます。ここでは、記憶から項目を引き出すための手がかりが与えられます。たとえば、「アメリカ合衆国の初代大統領は誰か?」のような事実に関する質問は、「ジョージ・ワシントン」という答えを引き出す手がかりです。上記の「ab」フレームワークでは、手がかりに存在するすべての属性を取り、これらをエンコードされた連想におけるa項目と見なしてリストし、 m _ab記憶のb部分を想起しようとします。この例では、「初代」、「大統領」、「アメリカ合衆国」などの属性が組み合わされてaベクトルが形成されます。これは、 b値が「ジョージ・ワシントン」をエンコードするm _ab記憶に既に定式化されています。aが与えられた場合、 b を正常に想起する方法については、2 つの一般的なモデルがあります。

1) メモリ内のすべての項目に対してa属性の類似度 (合計類似度ではありません。違いについては上記を参照) を調べて決定し、 aに対して最も類似度が高いメモリを選択します。リンクされているbタイプの属性が何であれ、それが思い出す内容になります。m _abメモリは、そのa要素が手がかりaと高い類似性を持つため、思い出す可能性が最も高くなります。それでも、思い出すのは常に起こるとは限らないため、思い出すには類似度が基準を満たしている必要があると言えます。これは、IBM マシンWatson の動作に似ています。ここでは、類似度はaのaタイプの属性と m _abのみを比較します。

${\displaystyle P(recalling~m_{ab})~=~P(similarity(a,m_{ab})>criterion)}$

2) 確率的選択ルールを使用して、類似度に比例して項目を思い出す確率を決定できます。これは、手がかり項目との類似度が大き​​いほど面積が大きくなるダーツボードにダーツを投げるようなものです。数学的に言えば、手がかりaが与えられた場合、目的の記憶m _{ab を}思い出す確率は次のようになります。

${\displaystyle P(recalling~m_{ab})~=~{\frac {similarity(a,m_{ab})}{SS(a,M)+error}}}$

類似度と合計類似度の両方を計算する場合、 aタイプの属性間の関係のみを考慮します。誤差項を追加するのは、誤差項がないとM内の任意のメモリを思い出す確率が 1 になるためですが、まったく思い出せない場合も確かにあります。

記憶における、繰り返し、単語の頻度、新しさ、忘却、連続性などに関連する現象は、多重痕跡理論の領域で簡単に説明できます。記憶は、項目を繰り返して触れることで向上することが知られています。たとえば、リスト内の単語を何度も聞くと、後でその単語を認識して思い出す能力が向上します。これは、繰り返し触れることで、記憶が常に拡大する記憶マトリックスに追加されるだけなので、この記憶の合計類似性は大きくなり、基準を満たす可能性が高くなるためです。

認識においては、非常に一般的な単語は、テスト時に記憶リストの一部として認識するのがまれな単語よりも困難です。これは単語頻度効果として知られており、多重トレース理論によっても説明できます。一般的な単語の場合、単語がリストに表示されたかどうかに関係なく、合計類似度は比較的高くなります。これは、その単語が生涯を通じて何度も遭遇し、記憶マトリックスにエンコードされている可能性が高いためです。したがって、脳は通常、一般的な単語がリストの一部であるかどうかを判断する際に高い基準を選択し、それらを正常に選択することを困難にします。ただし、まれな単語は通常、生涯を通じて遭遇することが少なく、そのため記憶マトリックスでの存在は限られています。したがって、全体的な合計類似度が低いと、基準は緩くなります。単語がリストに存在していた場合、テスト時のコンテキスト類似度が高く、他の属性類似度も高いため、合計類似度が十分に高まり、基準を超えてまれな単語を正常に認識できます。

連続位置効果の近さは、より最近エンコードされた記憶が現在の文脈に最も近い時間的文脈を共有するため、時間の確率的性質がそれほど顕著な影響を与えないために説明できます。したがって、最近エンコードされた項目の文脈類似性は高くなり、これらの項目の全体的な類似性も比較的高くなります。確率的文脈ドリフトは忘却を説明するものと考えられており、記憶がエンコードされた文脈は時間の経過とともに失われるため、その文脈でのみ提示された項目の合計類似性は時間の経過とともに低下します。^{[7] [8]}

最後に、経験的データでは、連続性効果が示されています。連続性効果とは、時間的に一緒に提示された項目が、上記の「ab」パラダイムのように単一の記憶としてエンコードされていない場合でも、一緒に記憶される可能性が高くなる効果です。これは、一緒に記憶された項目間の文脈的ドリフトが低いため、一緒に提示された 2 つの項目間の文脈的類似性が高くなるためと考えられます。

多重トレース理論の最大の欠点の 1 つは、エンコーディングが成功したかどうかを判断する際に、記憶マトリックスと比較する項目が必要になることです。前述のように、これは認識と手がかり付き想起では非常にうまく機能しますが、自由想起をモデルに組み込むことができないという明らかな欠点があります。自由想起には、個人が項目のリストを自由に思い出す必要があります。想起を求めるという行為自体が手がかりとして機能し、手がかり付き想起テクニックを引き出すことはできますが、その手がかりが合計類似性基準に達するほど独特であったり、そうでなければ高い想起確率を達成したりする可能性は低いです。

もう一つの大きな問題は、このモデルを生物学的な関連性に翻訳することです。脳がこのような巨大な記憶マトリックスを追跡し、これまでに提示されたすべての項目でそれを拡張し続けるための無限の容量を持っているとは想像しがたいことです。さらに、このマトリックスを検索するのは徹底的なプロセスであり、生物学的な時間スケールでは意味がありません。^[9]

• エングラム（神経心理学）
• 階層的時間記憶
• スパース分散メモリ