Cognitive Algorithms and Systems of Episodic Memory, Semantic Memory and Their Learnings¶
论文基本信息¶
- 作者: Qi Zhang
- arXiv: https://arxiv.org/abs/2602.07261
- 领域: q-bio.NC (Computational Neuroscience)
摘要¶
声明性记忆（Declarative memory）是由情景记忆（episodic memory）和语义记忆（semantic memory）两部分组成的功能解离系统。这一解离具有神经解剖学基础——情景记忆主要与海马体关联，语义记忆则与新皮层相关。两种记忆之间又密切关联：海马体损伤常导致多种显性记忆障碍，包括顺行性遗忘、逆行性遗忘和发育性遗忘，以及语义学习缺陷。这些损伤为我们理解两种记忆的获取、存储和组织方式提供了机会。本章综述了若干以模拟显性记忆为中心的认知系统，以及基于神经解剖学并模拟上述记忆障碍的计算系统。
核心貢獻¶
- 记忆系统计算模型综述: 系统综述了模拟情景记忆和语义记忆的计算认知系统
- 神经解剖学基础: 建立了记忆系统计算模型与神经解剖学结构（海马体-新皮层）之间的联系
- 记忆障碍模拟: 展示了计算系统如何模拟各类记忆获取和损伤障碍
- 学习规则分析: 详细分析了各系统的学习规则及其记忆获取机制
研究背景¶
人类记忆研究为人工记忆系统设计提供了重要理论基础。情景记忆负责编码特定时间和地点的事件，语义记忆则存储抽象的通用知识。两种记忆的交互构成了人类认知的基础。
核心方法¶
- 双系统架构: 分别建模情景记忆（海马依赖）和语义记忆（新皮层依赖）
- 神经可塑性规则: 采用赫布学习规则（Hebbian plasticity）和长期增强（LTP）等神经机制
- 障碍模拟: 通过损伤特定模块模拟遗忘症，帮助理解记忆功能障碍
為什麼重要¶
该综述建立了认知科学、计算神经科学与人工记忆系统之间的桥梁。对于 Agent 记忆系统的设计，人类记忆的神经计算模型提供了重要的理论启发：如何在人工系统中实现类似的情景-语义记忆分离架构，以及如何处理长程记忆获取和检索。
與端側/移動端相關性¶
- 计算效率: 人脑的记忆系统在能耗极低的情况下实现了高效的记忆存储和检索，可为端侧记忆系统提供高效算法参考
- 记忆障碍鲁棒性: 人类记忆系统的容错机制（如互补学习系统）可用于设计更鲁棒的端侧记忆
- 双系统协同: 情景-语义记忆的协同机制可用于设计混合记忆架构，平衡即时反应和知识积累