The current paper proposes a novel predictive coding type neural network model, referred to as the predictive multiple spatio-temporal scales RNN (P-MSTRNN). P-MSTRNN learns to predict visually perceived whole-body cyclic movement patterns of human by exploiting multiscale spatio-temporal constraints which are imposed on the network dynamics by using different size of receptive field as well as different time constant value at each layer. The network after learning becomes able to proactively imitate movement patterns of targets by inferring or recognizing their intention by means of regression of the prediction error. We examined how the performance of the model in pattern generation as well as predictive imitation varies depending on stage of learning. The results showed that the network can develop functional hierarchy by developing different class of dynamic structure at each layer. Examination of the developmental processes clarified that number of limit cycle attractor of embedding target movement patterns increases as the learning proceeds. It was, however, shown that the tasks of pattern generation and predictive imitation can be performed successfully by using even the transient dynamics developed in the early stage of learning. From this result the paper concludes that exploitation of transient dynamics is beneficial for achieving successful task performance by conducting only limited period of learning.
이 논문에서는 예측부호화를활 용한 동적 신경망을 제안하였다. 이 모델은 다차원 시공간스케일을 이용한 동적신경망으로, 사람의 행동에 대한 시각적 데이터를 받아들이고 시공간적 조건을통 해 예측할 수 있게 설계되었다. 학습 후에는, 모델이 사람의 행동 패턴에 대한 의도를 오류 최소화 기법을 통하여 추론하고 인지할 수 있게 된다. 이 논문에서의 실험 결과는 모델이 계층구조를 동적 구조의 발달을 통해 각 층에서 만들어 낼 수 있음을 보여준다. 논문은 또한 패턴의 생성과 예측모사가 학습 과정에 따라 어떻게 달라지는지를
연구하였다. 이 과정에서 제한 사이클 유인체의 수는 증가함을 관찰할 수 있었다. 마지막으로 학습 초기에 발달하는 과도동적역학은 패턴의 생성과 예측모사에 큰 영향을 미치는 것을 알 수 있었다.
