ストレージ（メモリ）

短期記憶は、聴覚、視覚、空間、触覚の形式で符号化されます。短期記憶はワーキングメモリと密接に関連しています。バデリーは、短期記憶に保存された情報は継続的に劣化し、リハーサルがないと最終的に忘却につながる可能性があると示唆しました。^{[ 1 ]} ジョージ A. ミラーは、短期記憶の容量は約 7 項目プラスマイナス 2 であり、魔法の数字 7 としても知られていると示唆しましたが、^{[ 2 ]}この数は、チャンクのサイズ、類似性、その他の特性など、多くの変動を受けることが示されています。^{[ 3 ]}記憶スパンは変化し、多音節語の方が短い単語よりも短くなります。一般的に、文字、単語、数字などの言語内容の記憶スパンは、これらの内容を声に出して話すのにかかる時間と、内容の語彙性 (言語の文法や構造とは区別される単語または語彙に関連する) の程度に依存します。単語の長さ効果として知られる、各単語の発音時間といった特徴や、単語同士が似ている場合などは、記憶される単語の数が少なくなる原因となる。

短期記憶とは対照的に、長期記憶は情報を長期間保持する能力を指し、人間の記憶システムの中で最も複雑な構成要素である可能性があります。アトキンソン・シフリンの記憶モデル（アトキンソン 1968）は、短期記憶に保存された項目が繰り返し練習や使用によって長期記憶に移行することを示唆しています。長期記憶の保存は学習に似ている可能性があります。学習とは、再び必要になる可能性のある情報を要求に応じて想起できるように保存するプロセスです。^{[ 10 ]}この情報を見つけて作業記憶に戻すプロセスは、想起と呼ばれます。容易に想起できるこの知識は明示的知識であり、長期記憶の大部分は暗黙的知識であり、容易に想起できません。科学者は、海馬が長期記憶の形成に関与していると推測しています。長期記憶がどこに保存されているかは不明ですが、長期記憶が神経系のさまざまな部分に保存されていることを示す証拠があります。^{[ 11 ]}長期記憶は永続的です。記憶は想起することができ、二重記憶検索モデルによれば、これは長期記憶を強化する。記憶が後日想起できない場合、忘却が起こる可能性がある。

マルチトレース分散メモリモデルでは、エンコードされるメモリは値のベクトルに変換され、ベクトルの各スカラー量がエンコードされる項目の異なる属性を表すとされています。このような概念は、フック（1969）とセモン（1923）の初期の理論で初めて提唱されました。単一のメモリは複数の属性または特徴に分散され、各属性がエンコードされるメモリの1つの側面を表します。このような値のベクトルは、異なるトレースまたはメモリのベクトルで構成されるメモリ配列または行列に追加されます。したがって、新しいメモリがエンコードされるたびに、そのメモリはさまざまな属性を表すスカラー量で構成されるベクトルまたはトレースに変換され、複数のトレースで構成される既存の、そして常に拡大し続けるメモリ行列に追加されます。これがこのモデルの名前の由来です。

特定の記憶に対応する記憶痕跡がマトリックスに格納されると、想起処理のために記憶を取り出すには、特定のプローブを用いて記憶マトリックスにキューイングを行う必要があります。このプローブは、テストベクトルと記憶マトリックスに格納されているベクトルとの類似性を計算するために使用されます。記憶マトリックスは新しい痕跡が追加されることで常に増大するため、類似性を計算するには、記憶マトリックス内に存在するすべての痕跡に対して並列検索を実行する必要があります。この結果は、連想認識、またはキューイングによる想起を実行するために使用される確率的選択ルールのいずれかを実行するために使用できます。

人間の記憶は膨大な量の情報を保存できるとされ、中には無限の量だと考える人もいたが、人間の記憶の中にそのような際限なく増大するマトリックスが存在するというのは、信じがたい。さらに、このモデルでは、想起プロセスを実行するには、際限なく増大するマトリックス内に存在するすべての痕跡の間で並列検索が必要であると示唆しており、このような計算が短時間で実行できるかどうかについても疑問が生じる。しかし、このような疑問は、GallistelとKing ^{[ 12 ]}の研究結果によって覆され 、彼らは、そのような並列処理を裏付ける可能性のある脳の膨大な計算能力に関する証拠を提示している。

マルチトレースモデルには2つの重要な限界がありました。1つ目は、人間の記憶の中に際限なく増大するマトリックスが存在するという考え方が非現実的であること、2つ目は、記憶マトリックスに存在するであろう数百万ものトレースに対して類似性を計算するために計算機による類似性探索を行うのは、人間の記憶想起プロセスの範囲をはるかに超えていることです。ニューラルネットワークモデルは、マルチトレースモデルの限界を克服し、その有用な機能も維持しているため、このような場合に理想的なモデルと言えます。

ニューラルネットワークモデルでは、ニューラルネットワーク内のニューロンが他のニューロンと複雑なネットワークを形成し、高度に相互接続されたネットワークを形成すると仮定しています。各ニューロンは活性化値によって特徴付けられ、2 つのニューロン間の接続は重み値によって特徴付けられます。各ニューロン間の相互作用は、マカロック-ピッツの動的ルールによって特徴付けられ、 ^{[ 13 ]}学習によって生じる重みとニューロン間の接続の変化は、ヘッブ学習ルールによって表されます。^{[ 14 ] [ 15 ]}

アンダーソン^{[ 16 ]} は、ヘッブ学習ルールとマカロック・ピッツ動的ルールの組み合わせにより、ネットワークが異なる記憶パターン間の関連性を保存できる重み行列を生成できることを示しました。このような行列は、ニューラルネットワークモデルの記憶ストレージの形式です。多重トレース仮説の行列とニューラルネットワークモデルの主な違いは、新しい記憶が多重トレース仮説の既存の行列の拡張を示すのに対し、ニューラルネットワークモデルの重み行列は拡張されないことです。むしろ、重みはニューロン間の新しい関連性の導入によって更新されると言われています。

重み行列と学習／動的ルールを用いることで、ある値を与えられたニューロンは、理想的には目的のターゲット記憶ベクトルに非常に近い別の値を取得することができる。

ニューロン間のアンダーソンの重み行列は、キューが与えられたときにターゲット項目の近似値しか取得できないため、キューが与えられたときに正確なターゲット記憶を想起できるように、モデルの修正版が求められました。ホップフィールドネット^{[ 17 ]} は現在、最も単純で最も人気のある連想記憶のニューラルネットワークモデルです。このモデルは、部分または「ノイズのある」バージョンのベクトルでキューが与えられたときに、明確なターゲットベクトルを想起することを可能にします。

ホップフィールドネットの重み行列は、記憶を格納する役割を担っており、アンダーソンが提唱した重み行列とよく似ている。ここでも、新たな関連付けが導入されると、重み行列は新たな記憶の導入に対応するために「更新」されると言われ、異なるベクトルによって行列が変化するまで保持される。

アトキンソンとシフリン（1968）によって最初に開発され、ラージメーカーズとシフリン^{[ 18 ]}を含む他の研究者によって改良されたデュアルストア記憶検索モデルは、現在SAMまたは連想記憶検索モデルと呼ばれ、記憶に関する最も影響力のある計算モデルの1つとして残っています。このモデルは、そのメカニズムにおいて、短期記憶（短期ストア（STS）と呼ばれる）と長期記憶（長期ストア（LTS）またはエピソードマトリックスと呼ばれる）の両方を使用します。

項目が最初にエンコードされると、短期記憶領域に導入されます。項目が短期記憶領域に留まっている間、長期記憶領域のベクトル表現はさまざまな関連付けを受けます。短期記憶領域に導入された項目は、次の 3 種類の関連付けを受けます。(自己関連付け) 長期記憶領域における自己関連付け、(異種関連付け) 長期記憶領域における項目間の関連付け、(コンテキスト関連付け) 項目とそのエンコードされたコンテキストとの関連付け。短期記憶領域内の各項目について、項目が短期記憶領域内に留まる期間が長くなるほど、項目自身と、短期記憶領域内に共存する他の項目、およびエンコードされたコンテキストとの関連付けが強くなります。

短期記憶領域のサイズはパラメータ r によって定義されます。アイテムが短期記憶領域に導入され、短期記憶領域がすでに最大数のアイテムで占有されている場合、そのアイテムはおそらく短期記憶領域からドロップアウトされます。^{[ 19 ]}

項目が短期記憶に同時に存在すると、それらの関連性は長期記憶マトリックス内で絶えず更新されます。2つの項目間の関連性の強さは、2つの記憶項目が短期記憶内で一緒に過ごす時間の長さに依存し、これは近接効果として知られています。近接している2つの項目は関連性が強く、長期記憶から一緒に想起されることがよくあります。

さらに、記憶想起パラダイムで見られる初頭効果は、リストの最初の数項目がSTS（短期記憶領域）において他の項目よりも想起される可能性が高く、古い項目はSTSから脱落する可能性が高いことを示しています。STSに長期間留まることができた項目は、他の項目よりも強い自己連想、異種連想、および文脈連想を形成し、最終的に連想の強さが増し、想起される可能性が高くなります。

記憶実験における近時効果とは、リストの最後の数項目が他の項目よりも非常によく記憶される現象であり、短期記憶によって説明できます。特定の記憶リストの学習が終了すると、最終的に短期記憶に残るのは、最後に提示された最後の数項目である可能性が高くなります。短期記憶は容易にアクセスできるため、これらの項目は長期記憶に保存されている項目よりも先に想起されます。この想起の容易さは、近時効果の脆弱さも説明しています。つまり、最も単純な妨害刺激によって、リストの最後の数項目が忘れられる可能性があるということです。これは、最後の項目が長期記憶内で意味のある関連付けを形成するのに十分な時間がなかったためです。妨害刺激によって情報が短期記憶から削除された場合、最後の項目が想起される確率は、リストの中央にある近時効果以前の項目よりも低くなると予想されます。

デュアルストアSAMモデルは、それ自体が長期記憶の一種である意味行列として分類できる記憶ストレージも利用します。SAMの長期記憶はエピソード記憶を表し、実験リストの学習中に形成された新しい関連付けのみを扱います。リストの項目間の既存の関連付けは、別の行列、つまり意味行列で表現する必要があります。意味行列は、試験中に形成されるエピソード的関連付けによって変更されない別の情報源として残ります。^{[ 20 ]}

このように、SAMモデルでは短期記憶と長期記憶という2種類の記憶貯蔵庫が用いられています。想起プロセスでは、まず短期記憶に蓄えられた項目が想起され、次に長期記憶に蓄えられた項目が想起されます。長期記憶に蓄えられた項目が想起される確率は、長期記憶内の関連性の強さに比例します。また、記憶想起に伴う意味効果を説明するために、意味行列という別の記憶貯蔵庫が用いられます。