在複雜的世界中找到簡單的線索─果蠅大腦的編碼系統

在這個資訊爆炸的世界裡，我們每天面對大量的感官訊息，大腦是如何幫助我們快速找到重要的線索的呢？來自日本Riken的Kensuke Yoshida與Taro Toyoizumi藉著果蠅大腦蕈狀體簡單的連結構造，提出一種仿生的演算法「Hebbian t-SNE」。讓複雜高維度的訊息，得以被簡化、降低維度。結果發表在Science Advances。

為什麼降維重要呢？可以想像一個直線在我們的3維空間，藉由適當的降維方式，我們可以讓一條直線用一個維度表達即可，找到「重點」。而我們的的感官輸入非常複雜，啟動大腦中成千上萬個神經元，這是一種「高維度」訊息。要有效率的進一步做判斷、記憶、學習，就得先壓縮成「低維度」、但有意義的表徵，這樣大腦才好處理。

研究者利用果蠅的三層神經網路結構─投射神經元(PN)(輸入層)、KC(中間編碼層)、蕈狀體輸出神經元(輸出層)，透過多巴胺神經元比較輸入和輸出，調節突觸連結強度，讓相似的氣味在輸出時較相似，而不同的分開。

最終研究團隊測試了兩個資料集：

• 糾纏在一起的環形資料（Entangled Rings）：模擬複雜結構的分類問題 (如圖一)

• MNIST 手寫數字資料集：經典的影像分類任務

結果顯示 Hebbian t-SNE 能和傳統統計降維的 t-SNE有一樣好的效果。

筆者認為這個研究非常有趣，然而生物上的多巴胺神經元是否真的有辦法進行該研究的方程式進行輸出輸入的比較，且有時候我們會希望相似的資訊被分到不同的類別，在這種狀況下，這個演算法的彈性是否足夠，也會是一個要更多探討的問題。

筆者：強敬哲 C.C.Charng

參考資料：

Yoshida, K., & Toyoizumi, T. (2025). A biological model of nonlinear dimensionality reduction. Science Advances, 11(6), eadp9048.

https://doi.org/10.1126/sciadv.adp9048