更改

通过建立潜在状态表征的模型，以及使用路径整合的模型。如果这些原则可以结合起来，我们就可以建立一个强大的系统，从感官观察中学习任意的潜在状态（如CSCG），但又能额外地泛化这些表征（如路径整合模型）并任意地组合它们。为了使抽象表征在不同的感觉环境中被重复使用（泛化），相同的抽象位置必须与不同的感觉观察 "相联系"。

通过建立潜在状态表征的模型，以及使用路径整合的模型。如果这些原则可以结合起来，我们就可以建立一个强大的系统，从感官观察中学习任意的潜在状态（如CSCG），但又能额外地泛化这些表征（如路径整合模型）并任意地组合它们。为了使抽象表征在不同的感觉环境中被重复使用（泛化），相同的抽象位置必须与不同的感觉观察 "相联系"。

基于海马的泛化模型（Tolman-Eichenbaum machine，TEM，和空间记忆管道，SMP75）的任务是尽可能快地预测新的、但结构相似的环境中的感官观察（例如，多个不同的家庭或二维世界；图1g）。两个模型都由两个关键部分组成。(1) 一个抽象的路径整合模块，可在不同的环境中重复使用；(2) 一个关系记忆2模块，像地址簿一样，将抽象的位置表征与感觉表征联系起来（见图，a）。这些联系在不同的世界中会发生变化，允许相同的抽象概念适用于多个世界。

目前，基于海马的泛化模型有Tolman-Eichenbaum machine，TEM，和Space memory ，SMP。该类模型的任务是尽可能快地预测新的、但结构相似的环境中的感官观察（例如，多个不同的家庭或二维世界）。两个模型都由两个关键部分组成。(1) 一个抽象的路径整合模块，可在不同的环境中重复使用；(2) 一个关系记忆模块，像地址簿一样，将抽象的位置表征与感觉表征联系起来（见图）。这些联系在不同的世界中会发生变化，允许相同的抽象概念适用于多个世界。

尽管TEM和SMP在概念上是相同的模型，但它们有不同的实现方式。两个关键的问题是：(1)TEM提供了分配中心的行动和物体表征，但SMP必须从以自我为中心的输入和像素中推断出来；(2)SMP用机器学习中的记忆网络来实现记忆，149而TEM使用更符合生物现实的Hebbian learning150和Hopfield networks 151。这种生物约束意味着抽象世界和感觉世界之间的联系必须发生在神经元单元中；也就是说，同一个海马神经元必须同时知道抽象位置和感觉预测。这种类型的联结性表征通常在海马神经元中被观察到，42,152。在TEM中，这种结合能够通过海马重映射实现泛化55-57，因为相同的皮质表征（LEC和MEC）在不同的环境中被重复使用，由不同的海马组合来促进（见图)

尽管TEM和SMP在概念上是相同的模型，但它们有不同的实现方式。两个关键的问题是：(1)TEM提供了allocentric的行动和物体表征，但SMP必须从以egocentric的输入和像素中推断出来；(2)SMP用机器学习中的记忆网络来实现记忆，而TEM使用更符合生物现实的Hebbian learning和Hopfield networks。这种生物约束意味着抽象世界和感觉世界之间的联系必须发生在神经元单元中；也就是说，同一个海马神经元必须同时知道抽象位置和感觉预测。这种类型的联结性表征通常在海马神经元中被观察到。在TEM中，这种结合能够通过海马重映射实现泛化，因为相同的皮质表征（LEC和MEC）在不同的环境中被重复使用，由不同的海马组合来促进。当感觉物体在空间中排列时，与以前的模型相同的空间路径整合机制将被学习，但当感觉世界有更复杂的依赖关系时，这些也将被学习。如果预测感官未来的最好方法是学习一个复杂的潜伏状态图，那么这些模型将学习在这个潜伏空间中使用路径整合。