Nearest neighbours reveal fast and slow components of motor learning | Nature (2020)
Sepp Kollmorgen, Richard H. R. Hahnloser & Valerio Mante
hl.icon
行動の変化について調べるとき、我々はいくつかの主観的に選んだ特徴に注目しがち
この方法では注目する行動ごとに全く異なる特徴の変化に注目することになってしまう
Naa_tsure.icon例えば、歌学習についてはピッチの変化に注目するとして、これがダンスの学習だったら何に注目する？
Naa_tsure.icon様々な行動に対して等しく適応できる、より一般化した手法が必要となる
Naa_tsure.iconこの論文のウリは、高次元データを次元削減せずにそのままデータ間の類似性をみるところ
運動学習には、早い変化(1日以内の変化)と遅い変化(数か月間の変化)がある
この2つの時間スケールを
$ CI= \frac{shift}{span}
で結びつける
これは、休憩中の変化/活動中の変化なので、
負なら弱い結合
Naa_tsure.icon休憩中に忘れてることになるので
0以上なら強い結合となる
Naa_tsure.icon休憩中に失われないorさらに学習していることになるので
実際にゼブラフィンチのデータで様々な特徴量でこのCIを計算してみると中央値が-0.67
つまり、弱い結合ということになる
これを解釈しようとすると、
１．早い変化と遅い変化の方向性は同じだが、毎日休憩中に忘れまくっている
２．早い変化と遅い変化の方向性が異なっている
の2パターンが考えられ、この指標では区別することができない
実際にシミュレーションしてみると、リアルの変化は2のパターンと適合している(多分)
Day70のデータに注目したからと言って、周りがDay70の歌ばかりとは限らない
Fig.2dでは、Day70の全ての歌に対して、似ている近隣の歌がどの年代に属しているかを表示している
Fig.2eではDayx(40<x<90)の歌を全て拾ってきたときに近隣にいる歌はどの年代が多いかを表している
これの中央値がRepertoire timeとなる
Day70に歌われている曲には
Day90にメインに歌われている曲に近いモノ(Anticipation)
Day70にメインに歌われている曲に近いモノ(Typical)
Day40にメインに歌われている曲に近いモノ(Regresson)
がある。
Naa_tsure.icon中央値がDay90にある歌が存在するのと、pooled dataの95%がDay90なのは意味が違うような
Naa_tsure.icon一方で中央値がDay90にある歌が多いと95%がDay90に近づくのはある
hl.icon