「視覚前野」の版間の差分

　計算機技術の進歩に伴い大規模なモデルのフィッティングや学習によるパラメータの最適化と統計学的な解析が可能になり、ニューロンが示す反応を定量的に説明するモデル研究が盛んになった。特定の刺激要素（線成分、色（輝度）成分、運動成分、空間周波数成分）をもとに合成した視覚刺激に対する反応について、刺激要素の組み合わせをベースにしたモデル研究が多い。例えば輪郭線の表現であれば、傾き、長さ、位置で表される線分（パーツ）を用意し、複数のパーツを組み合わせて輪郭線を表現すると考える。モデルでは、実際の入力の代わりに、パーツ単体に対するニューロンの反応ないしはパーツを表す入力（例えば線の傾きと位置を表すV1モデル）をもとに輪郭線に対する反応を計算する。あとは個々のニューロンの反応選択性にあわせて、モデルのパラメータを最適化する（V4<ref name=ref2><pubmed>11698538</pubmed></ref><ref><pubmed>12426571</pubmed></ref>、V5/MT<ref><pubmed>8570605</pubmed></ref><ref><pubmed>17041595</pubmed></ref>。また、重層的ネットワークの性質として、フィードバック投射や受容外から作用する興奮性/抑制性の修飾作用を取り入れたモデルが提案されている<ref name=refc><pubmed>21091803</pubmed></ref><ref><pubmed>16768360</pubmed></ref><ref><pubmed>8261126</pubmed></ref>。ドットパターン、テクスチャ、自然画像に特定の刺激要素を見いだすことは難しいが、時空間フィルタ（V1にモデル）の出力を組み合わせることで、視覚刺激に含まれる空間周波数成分の分布や高次統計量の役割が示された（V2,V4）<ref><pubmed>16987926</pubmed></ref><ref><pubmed>19778517</pubmed></ref><ref name=ref91><pubmed>21841776</pubmed></ref><ref name=ref92><pubmed>23685719</pubmed></ref><ref name=ref93><pubmed>25535362</pubmed></ref>。近年は、不特定多数の自然画像を視覚刺激として、ネットワークの枠組み自体を学習させる、データ駆動型の解析が盛んになっている。[[wikipedia:ja: ニューラルネットワーク|ニューラルネットワーク]]、スパース符号化(sparse coding)、[[wikipedia:ja:深層学習|深層学習]]等をキーワードにした研究が盛んになってきている<ref><pubmed>17596412</pubmed></ref><ref><pubmed>26203137</pubmed></ref><ref><pubmed>27140760</pubmed></ref><ref><pubmed>22114163</pubmed></ref><ref>'''H Lee, C Ekanadham, A Y Ng'''<br>Sparse deep belief net model for visual area V2.<br>''Advances Neural Information Processing Systems, Vol.20'' (J C Platt, D Koller, Y Singer, S T Roweis, eds. ,pp873-880,2008.</ref>。