Predictive Coding of Reward in the Hippocampus
Notice bibliographique
Résumé
Abstract A fundamental objective of the brain is to anticipate future outcomes 1–7 . This process requires learning the states of the world as well as the transitional relationships between those states. The hippocampal cognitive map is believed to be one such internal model 8 . However, evidence for predictive coding 9–12 and reward sensitivity 13–19 in the hippocampal neuronal representation suggests that its role extends beyond purely spatial representation. In fact, it raises the question of what kind of spatial representation is most useful for learning and maximizing future rewards? Here, we track the evolution of reward representation over weeks as mice learn to solve a cognitively demanding reward-based task. Our findings reveal a highly organized restructuring of hippocampal reward representations during the learning process. Specifically, we found multiple lines of evidence, both at the population and single-cell levels, that hippocampal representation becomes predictive of reward over weeks. Namely, both population-level information about reward and the percentage of reward-tuned neurons decrease over time. At the same time, the representation of the animals’ choice and reward approach period (the period between choice and reward) increased over time. By tracking individual reward cells across sessions, we found that neurons initially tuned for reward shifted their tuning towards choice and reward approach periods, indicating that reward cells backpropagate their tuning to anticipate reward with experience. These findings underscore the dynamic nature of hippocampal representations, highlighting their critical role in learning through the prediction of future outcomes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».