Higher-Order Spatial Information for Self-Supervised Place Cell Learning

哺乳动物通过地方和网格细胞编码空间位置，以应对稀疏的环境感知线索，从而在新颖的环境中进行导航并表现出弹性。尽管网格细胞编码的效率已经得到了广泛研究，但是地方细胞的计算作用尚不为人们所熟知。这部分原因在于，直到现在，空间信息的度量尺度仅限于单个地方细胞。我们推导并实现了一种高阶空间信息度量方法，允许自我监督地研究多个地方细胞的出现。我们表明，新出现的地方细胞具有许多理想的特征，包括高精度的空间解码。这是第一篇仅依赖于地方细胞的发放率推导高阶空间信息度量并专注于自我监督学习中多个地方细胞出现的研究。通过量化多个地方细胞的空间信息，我们增强了对递归神经网络中地方细胞形成和能力的理解，从而提高了人工系统在没有客观位置信息的新颖环境中的导航能力。

论文旨在研究哺乳动物在新环境中导航和展现对稀疏环境感官线索的适应能力，通过研究位置细胞和网格细胞编码空间位置的效率，探究位置细胞的计算角色。

通过导出和实施高阶空间信息度量，研究多个位置细胞的自我监督学习过程，探究位置细胞的形成和能力，提高人工系统在没有客观位置信息的新环境中的导航能力。

论文导出和实施了高阶空间信息度量，探究了位置细胞的自我监督学习过程，实现了多个位置细胞的高精度空间解码，该研究提高了人工系统在新环境中的导航能力，但需要更多的实验和数据支持。

最近的相关研究包括：1. 'Grid cells and neural coding in high-dimensional environments'；2. 'Emergence of grid-like representations by training recurrent neural networks to perform spatial localization'；3. 'Deep reinforcement learning and its neuroscientific implications'。