情节记忆涉及时空背景下的自传体体验，而语义记忆涉及事实知识。前者被认为通过海马体的长期增强迅速捕获多模态经验，使后者能够学习新皮层中多种经验的统计规律。至关重要的是，情节记忆被认为是建设性的；回忆是过去经验的（重新）构建，而不是复制的检索。但情节（重新）构造背后的机制及其与语义记忆的联系还没有得到很好的理解。

尽管最近有失忆症，但海马体受损后可以保留旧记忆，这表明最初在海马体中编码的记忆最终被存储在新皮质区域，这一想法被称为“系统巩固”。系统整合的标准模型涉及将信息从海马体转移到新皮层，而其他观点表明，来自相同事件的情节和语义信息可以并行存在。海马“重播”休息期间的神经活动模式被认为在巩固中起着作用。然而，整合不仅会改变哪些大脑区域支持记忆痕迹；它还将它们转换为更抽象的表示，这个过程有时被称为语义化。

生成模型捕获基础数据的概率分布，通过从这些分布中抽样生成现实的新项目。在这里，我们建议整合记忆采取生成网络的形式，通过学习复制来捕获存储事件的统计结构。随着整合的进行，生成网络支持“事实”（语义记忆）的回忆和从这些“事实”（情节记忆）中重建经验，以及来自海马体的额外信息，随着训练的进展，这些信息变得不那么必要了。

这建立在现有的空间认知模型之上，其中场景的回忆和想象力涉及相同的神经回路，并得到神经心理学证据的支持，即对海马形成（HF）的损害导致想象力、情节未来思维、梦和白日梦，以及回忆和想象力涉及类似神经过程的神经成像证据。

我们将整合建模为在海马重播期间通过“教师-学生学习”对记忆进行初始自关联编码来训练生成模型。合并发生后的回忆是一个生成过程，由代表跨事件共同结构的模式介导，就像其他形式的场景构建或想象力一样。我们的模型基于：（1）研究生成模型和整合之间的关系，（2）使用变异自动编码器对海马形成建模和（3）抽象同位中心潜在变量是从空间认知中的自我中心感官表示中学习的观点。

更广泛地说，我们基于这样的想法，即记忆系统学习编码“priors”的模式，以重建输入模式。经验的不可预测方面需要详细存储以供进一步学习，而完全预测的方面则不需要，这与记忆有助于预测未来的想法一致。我们建议，熟悉的组件在自联想网络中编码为概念（根据生成网络进行重建），而新的组件则以更详细的感官编码。

这在内存存储方面是有效的，并反映了一个事实，即整合可以是一个渐进的过渡，在此期间，自动关联网络支持尚未被生成网络捕获的内存方面。换句话说，生成网络可以根据现有模式从一开始就重建事件的可预测方面，但随着整合的进展，网络会更新其模式，以更准确地重建事件，直到不再需要存储在HF中的以前不可预测的细节。

2024年1月19日发表在Nature Human Behaviour的文章构建了一个模型，汇集了机器学习中的现有想法，对内存的以下关键特征进行解释。

在这里，我们提出了一个计算模型，其中海马重播（来自自联合网络）训练生成模型（变异自动编码器），通过海马形成从内鼻内、内前额和前外侧颞皮层的潜在变量表示中（重新）创造感官体验。

研究结果显示，模拟显示记忆年龄和海马病变的影响与以前的模型一致，但也为语义记忆、想象力、情节未来思维、关系推理和基于模式的扭曲（包括边界扩展）提供了机制。该模型解释了如何通过有效地结合海马和新皮质系统来存储和重建记忆的独特感官和可预测的概念元素，优化使用有限的海马存储来获取新的和不寻常的信息。

基本模型的架构

综上所述，我们提议的模型从机器学习的最新进展中汲取灵感，捕捉与情节记忆、其（再）建设性、与模式和巩固的关系以及想象力、推理和语义记忆相关的许多有趣的现象。

原文出处

Spens, E., Burgess, N. A generative model of memory construction and consolidation.Nat Hum Behav (2024). https://doi.org/10.1038/s41562-023-01799-z

Tags： Nature Human Behaviour：记忆构造和巩固的生成模型