Associative Emotional Learning in Convolutional Neural Networks

脳の感情のチートコード

あなたの脳が、人生のあらゆる瞬間において謎を解こうとしている超スマートな探偵であると想像してみてください。その最も重要な仕事の一つは、何が自分にとって良く（温かいハグや一切れのピザなど）、何が悪（羽虫の羽音や滑りやすいバナナの皮など）であるかを判断することです。特定の音や形といった「中立的なもの」を、喜びや恐怖といった「感情」に結びつけるこの能力は、「連合的感情学習（associative emotional learning）」と呼ばれます。あなたが歯医者のドリルの音を聞いただけで、まだ診療台に座る前から少し不安を感じるのは、脳がその音を過去の嫌な経験と結びつけることを学んだからです。科学者たちは、この仕組みを理解するためにコンピュータモデルを構築しようとしてきましたが、従来のモデルは単純な計算機のようでした。計算はできても、人間のように世界を「見る」ことはできなかったのです。複雑で混沌とした画像をどのように処理し、それを感情へと変えるのかという点において、従来のモデルには限界がありました。

そこで登場したのが、人間の視覚野や脳と同じように、デジタルな「ニューロン」の層を用いてパターンを認識する人工知能の一種、「ディープラーニング（深層学習）」です。これらのネットワークは、写真の中から猫を見つけたり、手書き文字を読んだりすることに長けています。しかし、コンピュータは「感じる」ことを学べるのでしょうか？ 感情を持たないコンピュータが、ある退屈な図形を、それが怖い画像と組み合わされたという理由だけで「怖い」ものとして扱うことができるのでしょうか？ これが、研究者たちが投げかけている大きな問いです。もし、コンピュータに人間と同じ方法で感情を学習させることができれば、私たちはついに自分たちの心の隠れたメカニズムを理解できるかもしれません。それは、なぜ一部の人々が恐怖のループ（不安障害やPTSDなど）から抜け出せなくなるのか、そしてどのようにしてそこから脱出させるのを助けるのかを解明する手がかりとなるでしょう。

---

デジタル脳は「感じる」ことを学ぶ

この研究において、研究チームは人間と同じように感情を学習できるかどうかを確かめるため、特別な「コンピュータの脳」を構築しました。彼らはこのモデルを「ビジュアル・バレンス・モデル（Visual-Valence Model）」と名付けました。このモデルは、主に2つの部分で構成されていると考えてください。一つは「目」の役割を果たす「視覚野」、もう一つは脳の感情センター（具体的には扁桃体と眼窩前頭皮質）として機能する「感情モジュール」です。さらに、より現実的なものにするために、彼らは「ショートカット（近道）」となる接続を追加しました。これは、目が詳細な写真を撮り終える前に、目が感情センターへ素早く大まかなスケッチを送るための高速レーンのようなものです。これは、私たちの実際の脳が、対象を完全に理解する前に危険に対して反応してしまう仕組みを模倣しています。

まず、研究者たちはこのデジタル脳に、何が「良い」もので、何が「悪い」ものかを教えなければなりませんでした。彼らは、非常に心地よいもの（子犬や夕日など）や、非常に不快なもの（クモや汚れたトイレなど）として有名な「国際情動画像システム（IAPS）」から、数千枚の実写画像を見せました。コンピュータは、これらの画像の「バレンス（価、感情価）」スコア、つまり1（極めて不快）から9（極めて快）までの数値（5は中立）を予測することを学習しました。このトレーニングの後、コンピュータは画像を見て、「これは2だ、悪いものだ」、あるいは「これは8だ、素晴らしいものだ！」と言えるようになりました。

次に、本当のマジックが登場します。「パブロフ型条件付け」です。有名な犬の実験で、ベルの音が犬を唾液させたことをご存知でしょう。ここでは、研究者は中立的な物体である「ガボール・パッチ」を使用しました。ガボール・パッチとは、古いテレビの砂嵐のような、ぼやけた縞模様の円のことです。それ自体は退屈で、感情的な意味を持ちません。研究者は、45度の角度の縞模様を「不快な」画像（銃やクモなど）とペアにし、135度の角度の縞模様を「快い」画像（家族の肖像画や子犬など）とペアにしました。そして、これらのペアをコンピュータに何度も繰り返し見せました。

結果は非常に興味深いものでした。これらのペアを数回見ただけで、コンピュータは退屈な縞模様に対する考えを変え始めました。45度のパッチを（怖い画像なしで）単独で見せると、コンピュータは突然、それを不快である（約2.3）と評価しました。135度のパッチを単独で見せると、快い（約8.0）と評価しました。コンピュータは、中立的な縞模様を、それがペアリングされていた画像の感情と結びつけて学習したのです。まさに人間が行うように。

しかし、コンピュータは単に正確な画像を暗記しただけなのか、それとも本当に学習したのでしょうか？ 研究者はこれを「汎化（一般化）」によってテストしました。彼らは、コンピュータが見たことのない角度、例えば30度や60度の縞模様を見せました。コンピュータの反応は、縞模様が「訓練された」角度から離れるにつれて、滑らかに減衰していきました。もし45度で訓練されていれば、30度の縞模様は少し怖く感じられ、90度の縞模様は中立に感じられました。この「減衰」効果は人間で起こっている現象と全く同じであり、コンピュータが単にピクセルを暗記していたのではなく、概念を学習していたことを示唆しています。また、縞模様の位置が重要かどうかもテストしました。縞模様を訓練していない画面の異なる隅に移動させても、コンピュータは依然として感情を感じていましたが、その効果は訓練された場所で最も強くなっていました。

コンピュータが「どのように」学習したのかを理解するために、研究者は個々のデジタルニューロンに注目して、その「脳」の内部を調べました。学習前は、怖い画像に反応するニューロンと、退屈な縞模様に反応するニューロンは異なっていました。しかし、学習後には、45度の縞模様に対して発火するニューロンが、怖い画像に対して発火するニューロンにどんどん似てきて、そのように振る舞うようになりました。コンピュータは、中立的なものを感情的なものに見えるように、内部のマップを物理的に作り変えたのです。

研究では、この「ショートカット」経路が極めて重要であったことも発見されました。この高速レーンの接続を取り除くと、コンピュータは感情的な連合を学習できませんでした。これは、初期の視覚から感情センターへの直接的で速いルートを持っていることが、この種の学習が行われるための鍵であることを示唆しています。

ただし、研究者たちは、この研究が「やっていないこと」についても注意深く指摘しています。コンピュータは実際に何かを「感じて」いたわけではなく、単に数値を計算していたに過ぎません。コンピュータの脳の視覚部分は「凍結」されており、学習プロセス中に自身の「目」自体を変えることはなく、感情部分のみが変化しました。実際のヒトの脳は「目」も変化させる可能性がありますが、このモデルではそれをテストすることはできませんでした。また、コンピュータには、対象が安全だと分かった時に恐怖を消していく「消去（extinction）」の方法もありませんでした。

結局のところ、この研究は、適切なショートカットを備え、適切な感情ルールに従って訓練されたディープニューラルネットワークは、人間が感情的な記憶を形成する方法を模倣できることを示唆しています。これは、私たちが連合を学習するために魔法のような「魂」を必要としているのではなく、単に適切な階層構造とショートカット接続を持つアーキテクチャを必要としているのかもしれない、ということを示しています。これはシミュレーションであり、本物のヒトの脳ではありませんが、私たちの心が周囲の世界と深い感情をどのように結びつけているのかを探求するための、強力な新しいツールを提供してくれるのです。