过拟合的大脑：梦进化以辅助泛化

过去十年中，对睡眠的演化生物学功能的理解已取得显著进展。然而，对梦的等效理解尚未形成。当代神经科学理论普遍将梦视为副现象，而少数关于其生物学功能的假说又与梦自身的现象学相矛盾。如今，深度神经网络（DNNs）的近期出现终于提供了新颖的概念框架，用以理解梦的演化功能。值得注意的是，所有 DNN 在学习时都面临过拟合问题，即在一个数据集上性能提升但网络泛化能力失效（常由训练与测试数据集上性能的背离衡量）。DNN 中这一普遍问题常由建模者通过以噪声或 corrupted 输入形式进行“噪声注入”来解决。本文旨在论证大脑面临类似的过拟合挑战，并且夜间梦境演化出来以对抗大脑在日常学习中的过拟合。亦即，梦是一种通过由神经结构层级中随机活动生成 corrupted 感官输入来提升泛化性的生物机制。睡眠丧失，尤其是梦的丧失，导致过拟合的大脑——仍可支配记忆与学习，却无法恰当泛化。本文明确发展了这一“过拟合大脑假说”，并与现有当代神经科学梦理论进行比较和对照。我们考察了神经科学与深度学习中支持该假说的现有证据，并提出一组可在体内与硅上开展的可检验预测。