Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

of

Ai talk at_tokyo_univhospital_2020 Slide 1 Ai talk at_tokyo_univhospital_2020 Slide 2 Ai talk at_tokyo_univhospital_2020 Slide 3 Ai talk at_tokyo_univhospital_2020 Slide 4 Ai talk at_tokyo_univhospital_2020 Slide 5 Ai talk at_tokyo_univhospital_2020 Slide 6 Ai talk at_tokyo_univhospital_2020 Slide 7 Ai talk at_tokyo_univhospital_2020 Slide 8 Ai talk at_tokyo_univhospital_2020 Slide 9 Ai talk at_tokyo_univhospital_2020 Slide 10 Ai talk at_tokyo_univhospital_2020 Slide 11 Ai talk at_tokyo_univhospital_2020 Slide 12 Ai talk at_tokyo_univhospital_2020 Slide 13 Ai talk at_tokyo_univhospital_2020 Slide 14 Ai talk at_tokyo_univhospital_2020 Slide 15 Ai talk at_tokyo_univhospital_2020 Slide 16 Ai talk at_tokyo_univhospital_2020 Slide 17 Ai talk at_tokyo_univhospital_2020 Slide 18 Ai talk at_tokyo_univhospital_2020 Slide 19 Ai talk at_tokyo_univhospital_2020 Slide 20 Ai talk at_tokyo_univhospital_2020 Slide 21 Ai talk at_tokyo_univhospital_2020 Slide 22 Ai talk at_tokyo_univhospital_2020 Slide 23 Ai talk at_tokyo_univhospital_2020 Slide 24 Ai talk at_tokyo_univhospital_2020 Slide 25 Ai talk at_tokyo_univhospital_2020 Slide 26 Ai talk at_tokyo_univhospital_2020 Slide 27 Ai talk at_tokyo_univhospital_2020 Slide 28 Ai talk at_tokyo_univhospital_2020 Slide 29 Ai talk at_tokyo_univhospital_2020 Slide 30 Ai talk at_tokyo_univhospital_2020 Slide 31 Ai talk at_tokyo_univhospital_2020 Slide 32 Ai talk at_tokyo_univhospital_2020 Slide 33 Ai talk at_tokyo_univhospital_2020 Slide 34 Ai talk at_tokyo_univhospital_2020 Slide 35 Ai talk at_tokyo_univhospital_2020 Slide 36 Ai talk at_tokyo_univhospital_2020 Slide 37 Ai talk at_tokyo_univhospital_2020 Slide 38 Ai talk at_tokyo_univhospital_2020 Slide 39
Upcoming SlideShare
What to Upload to SlideShare
Next
Download to read offline and view in fullscreen.

1 Like

Share

Download to read offline

Ai talk at_tokyo_univhospital_2020

Download to read offline

Biorxivで発表した論文
https://biorxiv.org/cgi/content/short/2021.03.18.435929v1
の内容を2020年12月に東大病院で説明した際のスライドです

Related Books

Free with a 30 day trial from Scribd

See all

Related Audiobooks

Free with a 30 day trial from Scribd

See all

Ai talk at_tokyo_univhospital_2020

  1. 1. 視覚刺激の価値評価の神経基盤: 深層学習とfMRIの融合研究 Trung Quang Pham, 吉本隆明、丹羽開紀、高橋春香、 内山隆太郎、松井鉄平、Adam K. Anderson、定藤規弘、 近添淳一 生理学研究所・生体機能情報解析室 Dec 14, 2020
  2. 2. 尺度としての主観的価値 - わたしたちが行動を決定するためには、様々な対象の主観 的価値を比較する必要がある。
  3. 3. 感覚モダリティと事物の価値 - 例えば、週末の夜に何をして 過ごすかを決めるとき・・・
  4. 4. 感覚モダリティと事物の価値 - 例えば、週末の夜に何をして 過ごすかを決めるとき・・・
  5. 5. OFC(前頭眼窩皮質) - モダリティの異なる刺激の価値を比較するためには、それらを共 通のフォーマットで表象する脳領域の存在が必要。
  6. 6. OFC(前頭眼窩皮質) - モダリティの異なる刺激の価値を比較するためには、それらを共 通のフォーマットで表象する脳領域の存在が必要。 - ヒト(Anderson et al., 2003)やサル (Padoa-Schioppa et al, 2008)の先行研究から orbitofrontal cortex (OFC)が価値表象の 中心領域であることが示唆されている。
  7. 7. 価値表象を調べる2種類の実験 視覚実験 味覚実験 実験内および実験間で 脳活動パターンの 類似度を計算 (Chikazoe et al., Nature Neuroscience 2014)
  8. 8. 各刺激に関連する脳活動の推定 各trial(刺激)に関連する脳活動を各画素において推定。 k個の刺激に関連するk個の脳活動のmapを得る。 Y =βX+ε
  9. 9. 視覚刺激の情報処理 視覚情報は脳内でカテゴリー情報や価値情報に 変換される。 Chikazoe et al., Nature Neuroscience 2014 カテゴリー 視覚 価値
  10. 10. 感覚モダリティを超えた価値の脳内表現 脳内での情報変換の結果、感覚モダリティに依 存しない価値が生じる。 Chikazoe et al., Nature Neuroscience 2014 価値 味覚の種類 甘 酸 苦 辛 共通 カテゴリー 視覚 価値
  11. 11. OFCにおけるモダリティを超えた普遍的価値表 象 OFCで表象される価値は、感覚器の違いに依存しない。 味覚刺激の価値 視覚刺激の価値 価値の類似度(味覚ー視覚) Similarity (Percentile of r) 45 55 50 活動パターンの類似度 Pos Neg Neu Neg Neu Pos (Chikazoe et al., Nature Neuroscience 2014)
  12. 12. 感覚から価値への変換処理 感覚情報がどのような情報処理を受けて価値情報に 変換されるかは明らかにされていない。 Value Sensory (Vision) ? Orbitofrontal cortex Primary visual cortex Brain regions Represented information
  13. 13. 腹側視覚路 視覚情報が腹側視覚路で階層的な情報処理を受けて、カテゴリに変 換される過程に関してはよく知られている。 Vision Category Ventral visual pathway (Güçlü et al., 2015) Brain regions Represented information Layer
  14. 14. 人工神経回路と脳の情報表現の類似 (Yamins et al., 2016)
  15. 15. 人工神経回路と脳の情報表現の類似 画像認識を行う人工知能の階層構造は視覚野の 階層構造と対応をもつ。 (Güçlü et al., 2015)
  16. 16. 階層構造のevidence:Principal gradient 機能的結合を圧縮することにより、脳内の階層構造を同定。 感覚野からdefault mode networkに向かう勾配が見つかった。 Functional connectivity Principal gradient Margulies et al., 2016 データ 圧縮
  17. 17. Principal gradientと認知機能の抽象性 Principal gradientのscoreが上がるにつれ認知機能の抽象性は 高くなる。 →Principal gradientに沿って階層的に情報処理が行われる? Margulies et al., 2016 具体的 抽象的
  18. 18. 感覚から価値への階層的情報処理 Orbitofrontal cortex Primary visual cortex Represented information 人工神経回路を モデルに使う
  19. 19. 視覚ー価値情報変換を行う人工神経回路作成 美術品オークションのデータを用いて、画像 情報から価格を推定する人工神経回路を作成。 Input: Art images Output: Price Artificial neural network (ANN) $2000 $1200 $300 $20 VGG16をbase modelとして使用
  20. 20. Functional MRI実験 Functional MRI実験により、同様のinput- output pairを人間でも取得。 Functional MRI Output: Price Input: Art image 5万円 1万円 100円 2万円
  21. 21. 人工神経回路の個人最適化
  22. 22. それぞれの個人に対してneural networkの最適化 を行い、37人分のneural networkを作成。 人工神経回路の個人最適化 典型的被験者での学習曲線 個人最適化 前 後 実測値と予測値の相関 (test data) 実測値と予測値の相関
  23. 23. 人工神経回路と脳領域の対応 … Neural Representational Similarity Layer 1 Representational Similarity 人工神経回路の各階層と情報表現の類似した 脳領域を探す Layer 2 Representational Similarity Layer 3 Representational Similarity 1 200 1 200 1 200 1 200 1 200 1 200 1 200 1 200
  24. 24. 人工神経回路と脳領域の対応 人工神経回路の低次の階層は視覚野と、高次の階層はdefault mode networkと対応する Visual Visual Visual DMN DMN 人工神経回路の低次 Layer 1 Layer 18 Layer 14 Layer 9 Layer 5 (Pham et al., in preparation)
  25. 25. 視覚ー価値変換回路とPrincipal gradientの対応 Input (Art) Output (Value) Averaged Principal Gradient 人工神経回路と 脳領域の対応 Principal Gradient 0 12 0 19 対応する階層 Principal Gradient 対応する階層 外側 内側 DMN DMN DMN DMN Visual Visual Visual Visual
  26. 26. 脳領域と人工神経回路の各階層との対応 初期視覚野 前頭極 腹側内側前頭前野 情報処理の違いを反映して、人工神経回路の階層との対応は領域間で異なる。 前頭葉には、価値情報を反映する領域に加えて、視覚と価値の中間的情報表現を 持つ領域が存在する。
  27. 27. 脳領域と人工神経回路の各階層との対応 価値情報を反映する領域の周囲に、中間的情報表現を持つ領域が存在する。
  28. 28. 絵の評価の個人差(個性) Subj 1 Subj 2 Subj 3 Subj 4 300円 10000円 200000円 33000円 脳内(or DNN)の処理も異なるのではないか?
  29. 29. 審美眼の安定性の個人差 同じ絵画に対する値付けを2回行ってもらい、相関を計算。 これを審美眼の安定性の指標とした。 Reliable r = .68 (median) Unreliable Correlation Count
  30. 30. 審美眼の安定性が脳のどの領域の活動に依拠するのか? Reliable groupでは、FC layerで頭頂葉や前頭葉との対応が見られるのに対し、 Unreliable groupでは、FC layerでも後頭葉や側頭葉の対応が中心である。 Unreliable Reliable 後頭葉 側頭葉 頭頂葉 前頭葉 島・帯状皮質
  31. 31. 人工神経回路の学習によるperformanceの変化 Training Test Training data (fMRI実験中のdata)へのfittingはどちらのgroupも同じように進む。
  32. 32. 脳を使って中間表現の変化を可視化
  33. 33. 脳を使って中間表現の変化を可視化 後頭葉 側頭葉 頭頂葉 前頭葉 島・帯状皮質 後頭葉 側頭葉 頭頂葉 前頭葉 島・帯状皮質 Reliable Unreliable
  34. 34. Base model非依存性
  35. 35. Base model非依存性
  36. 36. Base model非依存性 Densenet Resnet Inception Reliable Unreliable
  37. 37. Summary • 視覚情報はPrincipal Gradientに沿って、 情報処理を受け、価値に変換される。 • 人工神経回路は、脳内の情報処理のモデ ルとして利用可能である。 • 人間の脳との対応を見ることで、人工神 経回路の情報処理の理解につなげられる 可能性がある。
  38. 38. Acknowledgement Lab members Grad students: Takaaki Yoshimoto Yutaro Koyama Post doc: Quang Trung Pham Almuni: Balbir Singh (Wake Forest School of Medicine) Collaborators NIPS Norihiro Sadato Masaki Fukunaga Takahiko Koike Masakazu Agetsuma Keio University Koji Jimura ATR Junichiro Hirayama Funding sources
  39. 39. 博士研究員・アルバイト募集中 問い合わせ先: chikazoe@nips.ac.jp HP:https://zoelabo.com
  • ssuserd86b3e

    Mar. 23, 2021

Biorxivで発表した論文 https://biorxiv.org/cgi/content/short/2021.03.18.435929v1 の内容を2020年12月に東大病院で説明した際のスライドです

Views

Total views

289

On Slideshare

0

From embeds

0

Number of embeds

0

Actions

Downloads

6

Shares

0

Comments

0

Likes

1

×