Patterns
REVIEW| VOLUME 2, ISSUE 5, 100244, MAY 14, 2021
The overfitted brain: Dreams evolved to assist generalization
DOI:https://doi.org/10.1016/j.patter.2021.100244
overfitted brian hypothesis (OBH)
Synaptic Homeostasis Hypothesis (SHY).
はじめに
COVID-19のパンデミックの際、隔離された人々の多くが夢の鮮明さと頻度の増加を報告し、1 Twitterでは#pandemicdreamsがトレンドになるほどだった。しかし、夢についてはほとんど解明されていないため、なぜこのような夢の行動の変化が起こったのかについては、推測でしか答えられない。
人間は毎晩何時間も夢を見て過ごし、夢を奪われると動物に大きなダメージを与えるという事実があるにもかかわらず2、夢を見ることは恒常的に制御されており、「夢を見るための行動」が存在するとさえ考えられている3。夢は他の適応の副産物であるという「無説」6や、生物学的な「スパンドレル」7、あるいは、睡眠や夢は、昼行性の動物が夜に活動しないようにするなど、生物が適応していない期間に生物が動かないようにするという点でのみ適応的であるという「無説」8,9などは、今でも真剣に考えられている。
注目すべきは、被験者が睡眠中に突然目が覚めたときに夢を見たと報告する割合は約50%から70%であり、夜になってからの方がより多くの夢を報告していることである10,11。また、定期的に夢日記をつけている人や、毎朝時間をかけて夢を回想している人の報告によると、夢の記憶を保持する能力は練習によって著しく向上することがわかっている12。
夢の現象学は覚醒時のそれとは異なる13が、夢の現象学、特にその希薄で幻覚的で物語的な内容を適切に説明する現代の理論はほとんどない。この奇妙な状態は何のためにあるのだろうか。睡眠が学習と何らかの関係があることは、ローマの弁士クインティリアヌスも知っていた14。しかし、次の章で詳しく述べるように、夢を記憶の保存、記憶の再生、感情の処理などと関連付ける現代の神経科学理論は、夢そのものを現象として捉えている。
動物が夢を見る理由に関する有効な理論がないことは、睡眠の生理学とその段階について多くのことが知られていることと対照的である15。最初に病変研究によって発見され、後に遺伝子ノックアウト研究によって裏付けられたように、睡眠状態は広範囲にわたる一連の皮質下神経調節システムによってもたらされ、どのシステムも必要ではなく、覚醒状態が維持される方法の冗長性を示している16。
一般的に、この多面的な覚醒システムは、覚醒時に最も発火して興奮状態となり、睡眠時にはより静止した状態となるが、これはすべてのシステムに当てはまるわけではなく、特に急速眼球運動（REM）を確立するシステムに当てはまる。
睡眠の典型的な特徴は徐波であり、これは大脳皮質を横断する活動の波で、脳波の支配周波数が1Hz以下の場合に識別できる。この状態では、大脳皮質は激しい発火の時期と、神経細胞が沈黙している「ダウン状態」と呼ばれる時期との間で振動する双安定状態になる。
一般に、ある脳領域が徐波睡眠を経験していても、それが他の領域と同期していない場合があることに留意すべきである17。これは、睡眠自体が伝統的にノンレム（NREM）睡眠とレム睡眠に分けられ、レム睡眠はNREM睡眠よりも夢を見ることに関連しているという事実にもかかわらず、である。しかし、夢を見ることは、一晩中、さまざまな睡眠段階で定期的に起こるという証拠がある18。しかし、夢を見るのは、NREM睡眠の中でも「最も深い」段階である第3段階ではまれであり、表面の脳波には低周波の皮質徐波が反映されている。最近の神経画像解析や突然の覚醒実験により、すべての睡眠段階で夢を見ることができ、それは局所的な覚醒様発火の結果であることが明らかになった19。
夢が普遍的なものであるにもかかわらず、いくつかの覚醒研究では、80%から90%以上の割合でレム睡眠が夢と最も強く関連している。夜の初めに見る夢は、より「思考的」で単純なものであるが、夜の終わり、特にレム睡眠中に見る夢は、完全に発達した物語構造を持つ、信じられないほど複雑なものになることがある21。したがって、夢がレム睡眠中のみに起こるという話は複雑であるが、関連性があることは事実である。
例えば、突然の覚醒実験では、前頭葉の高い周波数の活動が、被験者の夢の中での感情的な影響を予測していることが示されている23。また、明晰夢を見ているときには、感覚運動野の活動が覚醒時の動きに似ているという証拠がある24。
大脳皮質のシステムには微妙な違いや冗長性があるが、夢を見ない睡眠から夢を見ることへの変化は、レム睡眠中にアセチルコリンを含むニューロンの発火が増加するなど、意識レベルを調節する脳全体の神経調節システムを介して起こると考えるのが妥当である。また、神経調節システムは、夢を見ている間に筋肉が弛緩するような状態を作り出し、それがなければ、睡眠中に夢が身体に作用し、レム睡眠行動障害と呼ばれる危険なパラソムニアになってしまう25。
睡眠の進化した全体的な目的や機能は何か？25 神経調節によって異なる生理的状態がもたらされるという証拠から、この問いに答えるには、特に夢を見ない睡眠と夢を見ることについて、複数の機能を特定する必要がある。線虫が睡眠をとっているという証拠もある27。過去20年間で、睡眠全体の進化した機能を理解する上で大きな進歩があったが、夢そのものについてはそうではなかった。
まず、新たな発見により、睡眠の少なくとも1つの側面の目的が明確になった。これは、脳のリンパ系の発見であり、睡眠時には脳全体で代謝物を脳脊髄液で洗い流すことを示している28。これにより、睡眠、特に徐波活動時の睡眠には老廃物の除去という目的があり、これが睡眠の回復的側面の少なくとも一部を担っているという説が生まれた。
このフラッシングという形でのリンパ活動は、覚醒時には少なく、睡眠時とある種の麻酔下では多い。睡眠時および麻酔時には、低周波のデルタ波が脳波を支配している徐波睡眠時に最も多くのフラッシングが起こる29。このことは、夢を見ることとは無関係である可能性を示しているが、明確には証明されていない。このようなフラッシュ現象が起きていても夢は見られる。実際、夢の機能が、睡眠段階や背景となる神経生理学的条件によって変化する可能性があるかどうかは不明である。
睡眠の目的に関するもう一つの重要な理論は、シナプス恒常性仮説（SHY）である30。SHYによると、日々の学習によって脳全体のシナプスが正味の増強を受け、それが放置されるとシナプスの重みが飽和して学習が停止するという。この無差別なダウンスケーリングにより、シナプスの相対的な重さが比例関係に保たれ、飽和のリスクが取り除かれるのである。SHYは、神経科学のモデル理論として、多くの新しい実証結果を生み出してきたが32、同時に、多くの議論や調査を引き起こしてきた33。また、神経細胞は非線形機構であるため、シナプスを全体的に縮小しても、シナプスの重みのパターンを同じにすることは容易ではないという問題に、SHYがどのように向き合っているのかについても検討されていない。ReLU（整流線形単位）活性化関数を持つ人工ニューラルネットワークでは、正味のダウンスケーリングであっても、スケーリングによって重みがゼロ以下になれば機能に影響を与える可能性が高く、シグモイド活性化関数の場合には、未知の方法で機能に大きな影響を与えることになる。
つまり、夢を見ない睡眠では、代謝クリアランスと細胞の修復が行われ、夢を見ている間は、タスクのパフォーマンスや学習の向上に何らかの未知の貢献が行われると考えられている34。
この論文では、夢の目的に関する明確な理論を提示するために、動物の脳は常に過剰適合の危険にさらされており、これは深層ニューラルネットワークの学習が1つの特定のデータセットに基づいて行われた場合に生じる一般化性の欠如であり、夢はこのどこにでもある問題を軽減するのに役立つという考えを概説している。これがOBH（Overfitted Brian Hypothesis）である。
この論文の目的は、脳は生物の日常的な経験を統計的に組み合わせたデータセットに適合するが、夜の夢は生物の日常的な「訓練セット」からはるかに外れたデータを歪んだ形で生成することで、動物の表現、認知、知覚システムの一般性と頑健性を向上させるという証拠を調査することで、OBHを正式に解明することである36。
後述するように、OBHは、既知の生物学的理解やデータに合致し、他の多くの理論よりも夢の現象学に合致し、様々な先行事例や類似のアプローチを一つの特定の屋根の下に集め、さらに深層学習の一般的な慣行に根ざしている。OBHは、計算機モデリングと生体内の両方でテストできるユニークな予測を行う。
大きな夢
夢を見ることは、神経科学にとって依然として謎である。脳が毎晩夢を見るようになった理由については、さまざまな仮説が提唱されているが、夢の性質がまばらで、幻覚的で、物語性があり、特定の機能を持たないように見えることから、これらの仮説の多くは矛盾している。
近年、人工ニューラルネットワークの研究により、学習の際に、特定のデータセットに過剰適合してしまい、一般化できず、新しいデータセットでのパフォーマンスが低下するという問題が指摘されている。
注目すべきは、過剰適合した人工ニューラルネットワークを救済するために研究者が採用している技術は、一般に、分布外のデータセットまたはランダム化されたデータセットからのサンプリングを伴うことである。過剰適合脳仮説とは、生物の脳も同様に、日々の刺激の分布にうまく適合しすぎて、過剰な適合と不十分な一般化を引き起こすという課題に直面しているというものである。毎晩、分布外の感覚刺激を幻視することで、脳は知覚・認知能力の汎化性を救済し、タスクパフォーマンスを向上させることができる。
まとめ
睡眠の進化した生物学的機能の理解は、この10年間でかなり進んだ。しかし、夢に関する同等の理解は生まれていない。現代の脳科学理論では、夢は副次的なものとみなされることが多く、また、夢の生物学的機能に関する提案の多くは、夢の現象そのものと矛盾している。
しかし、近年のディープニューラルネットワーク（DNN）の登場により、夢の進化した機能を理解するための新しい概念的枠組みがようやく提供された。これは、あるデータセットでの性能は向上するが、ネットワークの性能が一般化しないという問題である（訓練データセットとテストデータセットでの性能の乖離で測られることが多い）。
これは、あるデータセットでの性能は向上するが、ネットワークの性能が一般化しないことを意味する。本論文の目的は、脳も同様に過剰適合の問題に直面しており、毎晩見る夢は、日々の学習中に脳が過剰適合に陥るのを防ぐために進化したものだと主張することである。
つまり、夢は、神経構造の階層を超えた確率的な活動から、破壊された感覚入力を作り出すことで、一般化可能性を高める生物学的メカニズムなのである。
睡眠を失うと、特に夢を失うと、記憶や学習はできても適切な一般化ができない過剰適合脳になってしまう。ここでは、この「過剰適合脳仮説」を明確に展開し、既存の現代神経科学的な夢の理論と比較対照している。この仮説の既存の証拠は、神経科学と深層学習の両方で調査され、in vivoとin silicoの両方で追求できる一連の検証可能な予測が提示される。
現代の夢の理論
睡眠の進化した目的についての仮説は、睡眠の他の側面とは明確に異なる機能の概要を示すものでなければならない。また、夢がどのように現れるのか、つまり、夢の経験の現象学を説明しなければならない。具体的には、夢の現象学がなぜ目覚めの現象学と異なるのかを説明しなければならない。
夢に特有の3つの現象学的特性を考えてみよう。
第一に、夢は一般的に覚醒時よりも鮮明ではなく、感覚的・概念的な情報が少ない（つまり、詳細ではない）という疎密性がある。夢の中では、文字がぼやけて読めなかったり、電話が使えなかったり、計算ができなかったりするなど、細部が欠落していることは普遍的です38。
これには、夢の中では出来事や概念が通常の厳密なカテゴリーの外に存在することが多い（人が別の人になる、家が宇宙船になる、など）という事実も含まれる。
第三に、夢の物語性である。成人の人間が見る夢は、一般的に、出来事が順序立てて並べられており、物語を形成している。これから説明するように、OBHは、夢が進化した目的を果たすのは、これらの特性にもかかわらずではなく、これらの特性があるからだと考えている。
このセクションでは、現存する夢の理論、それを裏付ける証拠（あるいは不足している証拠）、そしてそれらがどのように夢の現象学とうまく統合できないか、あるいは説明できないかについて検討する。
夢は感情をコントロールするためのもの
夢が感情の健康に重要であるという考えは、フロイトの精神分析理論の流れを汲むものである39。フロイトのタブーとされる欲求不満の表現としての夢の理論は信用されていないが、感情処理の表現または重要なものとしての夢の歴史的な関連性は残っている。
このような仮説は、夢が恐怖症に対する認知行動療法の治療のような働きをするのではないかというもので、恐怖を和らげるために怖いものに対する「リハーサル」を行う安全な空間を提供するというものである41。
別の種類の理論は、夢は感情を調整するための「感情のサーモスタット」のような働きをするというものである42,43。夢ジャーナルからは、より感情的な夢を見ることで、うつ病などの障害からの回復が予測されるという証拠がいくつか得られている44が、この種の研究のサンプルサイズは膨大に小さい。
神経画像からは、扁桃体のような感情処理センターが、レム睡眠中に覚醒時よりも大きな活動を示すという証拠がある45が、扁桃体の役割は、感情、報酬、動機など多岐にわたる46。49 睡眠不足は、感情の抑制が効かず、イライラするなど、感情面での問題を引き起こすようである50 。しかし、このような適切な機能の障害は、感情の制御に影響を与える実行機能を含む、睡眠不足後の多くの認知プロセスに当てはまる51。
全体として、夢が感情的な対立を解決するためのものであるという仮説には、圧倒的な経験的証拠がない。また、少なくとも一般的には、夢は強調された感情的なものではないという夢の現象からも支持されない。実際、感情的にニュートラルな夢はよく見られる。全体的に見て、ネガティブな感情を持つ夢に若干の偏りがあるように見えるが52、これは単に感情的な価値が高い夢が記憶に残るということかもしれない（夢の報告を調査したところ、喜び/興奮が不安/恐怖の次に多かったことは注目に値する）。これらの証拠から、夢の進化した目的が何であれ、その機能は感情に影響を与える可能性があると思われるが、夢が感情の調整のために特別に進化したという強い証拠はない。
夢は記憶の整理のため
おそらく現代の代表的な理論は、夢は何らかの形で記憶の統合と保存に関与しているというもので53、多くの場合、提案された形の記憶再生を介している54。この視点は、伝統的な認知神経科学の多くで支持されており、脳の目標は、記憶をできるだけ忠実に「保存」することである55。しかし、複雑な学習を行うためには、「コンピュータのような」忠実な保存は望ましくなく、忘却も同様に重要であるという認識が高まっている56。
この仮説に基づいた研究は、多くの神経画像研究を含め、数多く存在しており、その文献を完全にレビューすることは本稿の範囲を超えてしまう。57。例えば、新しい課題を学習すると、レム睡眠59と徐波睡眠60の両方で、課題に関連する皮質領域がより活性化されるという証拠があり、これは夢を見ている間に優先的な統合が行われていないことを示している。
これは、夢を見ている間は優先的に統合されないことを示している。このことは、覚醒・睡眠状態と、睡眠をとらない対照状態を同時に比較した場合でも同様であり、課題に関連する脳領域で血中酸素濃度依存的（BOLD）な活動が増加することがわかっている61。しかし、関連領域での活性化の増加は、実際には記憶の保存や再生、既存の記憶との統合を意味するものではないため、この種の神経画像研究はあまり具体的ではない。しかし、このような神経画像研究は、記憶の保存や再生、既存の記憶との統合を意味するものではないため、あまり特異的ではなく、OBHの証拠として解釈することも可能である（「神経科学からの証拠」参照）。
記憶の固定化理論の直接的な証拠は、睡眠中の記憶の「再生」という形で得られており、明確な論文と証拠の基準を持つ特定の仮説である。再生は、もともとラットの海馬で発見されたが62,63、当初の分析は、やはり徐波睡眠を対象としたもので、このプロセスと夢を具体的に関連付けるものではなかった。一般的に、2つのニューロンが同じ時期に同じ原因で増強した場合、特定のものを再生しているかどうかにかかわらず、将来的に発火が増加するという意味で相関している可能性が高く、「再生」イベントの方が発火がはるかに速いという知見もそれを裏付けている65。
まず、エピソード記憶のオフラインでの再生は、実際には記憶を助けるものではないかもしれない。66,67 特定の記憶が実際に再生されていると仮定することには問題があるため、多くの著者は、2つの補完的な学習システムが存在し、再生がこの2つのシステムを結びつけるというような、より複雑な統合理論を提案している68。
さらに、この仮説は、十分に管理された神経画像実験では、正確な配列の再現に関する証拠はほとんどなく、ほとんどが見たことのない発火パターンであるという強い証拠があるという事実に対処しなければならない69。このような証拠を考慮して、睡眠は特定の記憶からの要点抽出を促進すると主張する人もいる70,71が、この種の仮説は特に夢に関するものではない。
前述したように、覚醒後の夢の報告に関する最も詳細な研究によれば、夢はその日の出来事と関連していないか、せいぜい漠然としか関連していないため、全体的に見て、夢の報告のうちエピソード記憶と関係しているのは1%から2%未満のようである72。
心的外傷後ストレス障害（PTSD）の場合を除き、夢は特定の記憶を繰り返すものではなく、繰り返すものは病的であると考えられている。例えば、ハリケーン・アンドリューの直後、最も被害の大きかった地域の住民を対象としたサンプルでも、ハリケーンに関連した夢を見たのは、すでにPTSDと診断された人だけだった74。
夢日記の詳細な研究によると、特定の記憶や一日の出来事が再現されることは、一般的には稀であるか、存在しないことがわかっている75。9/11のテロ攻撃後の夢を調査したある研究では、「880の夢（そのうち440は9/11以降）の中で、飛行機が高層ビルに衝突するなどのシナリオは、参加者全員がテレビで何度も見たことがある（感情的に重要な体験であることは明らかである）にもかかわらず、ひとつもなかった。実際の攻撃に近いシーンも描かれていなかった」76,77
実際、エピソード記憶と夢は切り離されているという重要な証拠がある78。被験者にテトリスを長時間プレイさせるなど、日常的な作業を繰り返すと、テトリスに触発された夢を見ることがあるという行動学的な証拠があるが、そのような植え付けられたイメージやシーケンスは、以前のゲームを忠実に繰り返すものではなく、幻覚的で内容が薄く、プレイしたゲームと緩やかにしか関連していないという点で、リプレイを表していない。
さらに、このような反復的なゲームによって引き起こされる夢は、臨床的に記憶喪失と診断された患者であっても現れる80。反復的な課題が夢に現れるまでには数日かかることがあり、これは「ドリームラグ」と呼ばれているが、ほとんどの場合、これらの課題は、やはり大まかにしか似ていない部分的な形で現れる81。
テトリス研究から突然の覚醒、ドリームラグ効果に至るまで、部分的または緩やかに類似した夢は、最近学習した課題によって最も確実に誘発されることを示す強力な証拠があるが、そのような植え付けられた夢は、一般的に、特定の記憶ではなく、課題自体の状態空間を探索しているかのような、まばらで幻覚という伝統的な夢のような特性を持つ、見たことのない体験やシーケンスの形をしている。
注目すべきは、ほとんどの場合、夢の持つ疎密性、幻覚性、物語性といった特性は、統合仮説では説明できないということである。ほとんどの夢は特定の記憶を全く含んでいないので、新しい記憶の統合は夢を見る目的としては疑問である。後述するように、記憶の統合、再生、保存を裏付ける結果の多くは、実際にはOBHに適している（「神経科学からのエビデンス」）。
夢は選択的忘却のため
注目すべきは、フランシス・クリックとグレーム・ミッチンソンが1983年に提唱した夢の別の目的で、彼らはこれを「逆学習」と呼んだ82,83。 この仮説では、夢を見ることで「望ましくない」結合を取り除き、脳が「学習をやめる」のを助けることになる。しかし、この仮説は現代の夢の研究ではほとんど無視されている。代わりに、夢には記憶の再生や統合があるという別の仮説が、初期の再生結果に対する興奮から、コミュニティ84で支持されるようになった。62
現代の神経科学研究では、記憶には統合段階と忘却段階の両方があると見なすことが多いが、これも夢というよりはむしろ徐波睡眠に関連するものが多い85。
より具体的には、ボルツマンマシンは、CrickとMitchinsonによる逆学習の概念に非常に近いものを実際に実装しているのではないかと提案されている。この逆学習では、シナプスのダウンスケーリングにより、環境入力とシステムの環境の内部モデルとの間の不一致を解消することができる87。実際、シナプスを縮小することで、それ自体が過剰適合を防ぐことができるのではないかと議論されている88,89。
したがって、SHY、OBH、そして当初の逆学習仮説の間には、可能な限りのつながりがあると考えられる。
最近になって、逆学習規則という形で「逆学習」が実際に役立つことを示す、スパイキング神経回路網の明示的な計算モデルが登場した。具体的には、ネットワークの「睡眠段階」において、反ヘブビアン学習という形で反学習ルールを導入すると、学習に有害なアトラクタ状態を崩すことができることが示された90。しかし、一般的には、OBHの観点からは「逆学習」は必要ない。なぜなら、「逆学習」のアプローチは、OBHのように破損した入力やトップダウンのノイズがどのようにして一般化を向上させるかではなく、特定の記憶がどのようにして破壊されるか（仮説的な「逆スパイク・タイミング依存可塑性」のような反学習メカニズムを介して）に焦点を当てている点で大きく異なるからである。
夢は現実世界の問題を解決するための準備
創造性と夢との間に密接な相関関係があることや、夢がシミュレーションやバーチャルリアリティに似ていることから、夢を見ることで動物に関連する現実世界の問題を解決できるのではないかという仮説が生まれた。例えば、夢を見ることで創造的な実験が可能になり、夢を見た人は最高のアイデアを残すことができるかもしれない91。より直接的な仮説としては、夢が動物のステレオタイプな行動のリハーサルとして機能し、一種の「遺伝的プログラミング」を行っているというものがある92。
より現代的な研究では、これは夢が覚醒時の活動を準備するための原意識状態として機能するという仮説と呼ばれている93。この仮説の類似した例としては、ロボットが自己モデルを把握するためにシミュレーションを行ったという解釈94や、動物が昼間に直面した岩などの障害物をどうやって登るかといった「成功のための戦略を夜に夢見る」という解釈95がある。
この種の仮説の証拠として、神経の「プレプレイ」が存在し、活動のシーケンスが動物の将来の行動を予測し、計画や前処理を示していることが挙げられる96,97が、この効果は単に動物が世界を表現するために事前に設定された限られた発火シーケンスのセットを使用せざるを得ないためかもしれない98,99。おそらく最も単純で直接的な仮説は、夢を見ることで、肉食動物から逃げるなど、実生活では莫大なリスクなしには実践できないような危険な状況を回避する練習ができるというものである100。しかしこれは、夢の中でこのような行動が含まれているのは（脅威を信じられないほど広く定義したとしても）ごく一部であり、そのようなシナリオで現実的な行動計画が実際に実行されることはほとんどないという事実と矛盾する101,102。
また、夢は実はシミュレーションを作る能力そのものを磨くためのものであるという仮説もある。この「InSim」仮説は、具体的には幼児の夢についての仮説であり、夢はシミュレーションを作成し、目覚めたときにその予測を現実世界と比較して検証する機会であると仮定している104,105。しかし、これは幼児にしか当てはまらない（子どもの夢は大人の夢よりも「つまらない」という少数の研究が正しいという前提で）。確かに、夢の現象論は、まばらで、幻覚的で、空想的であることから、夢に由来する戦略や能力や準備が現実世界で全く機能しないとは考えにくい。
しかし、この種の理論は、夢をシミュレーションとして捉えるのが正しいと思われる。しかし、OBHによれば、このシミュレーションの目的は、特定の能力や戦略、行動計画を洗練させることではない。過剰適合は、日々の学習によって避けられない問題であり、脳が様々なタスクをこなす上で常に脅威となっている。
夢は生成モデルを洗練させることで予測処理に役立つ
予測処理とは、脳が外部からの感覚入力に関連して、自らの将来の状態を継続的に予測しようとするという考え方である106,107。予測処理の枠組みでは、予測はトップダウン方式で行われ、感覚入力はボトムアップ方式で行われる。予測は入力と比較され、予測誤差を最小化することが目標となる。予測誤差は、行動や振る舞いの変化によって最小化することができ、これは「能動的推論」と呼ばれるプロセスである108。
予測処理は、認知科学を見るための一般的なレンズとなっており109、その起源は、ヘルムホルツ機械、統計的推論、そして「ウェイクスリープ・アルゴリズム」にある110。ただし、教師なし学習のためのウェイクスリープ・アルゴリズムの提案は25年前にさかのぼり111、事実上、現代のオートエンコーダの概念の先駆けとなっている。
機械学習の分野で生まれたにもかかわらず、予測処理のアプローチは、その普遍性の主張のために議論の的となっている。大脳皮質が実際に、主に自身の将来の状態についての予測を生成するために機能しているかどうかは不明である。例えば、生物は予測誤差を最小化するために、なぜ「暗い部屋」に座らないのか、それは常に何が起こるかを知っているからである113。
予測処理の観点から夢を見ることについては、特定の神経生理学的な相関関係やメカニズムを論じる複数の見解が提唱されている114。一般的に、このような理論では、夢の現象は、夢を見ている間の知覚-行動のループの崩壊によって説明される。予測処理支持者の中には、夢の役割は実際には行動に関する推論を検証することではなく、仮説された生成モデル（この文脈では、脳が予測を行うために使用するモデル）を改善することであり、具体的には冗長なシナプスを刈り取ることでこの生成モデルの複雑さを軽減することであるという見解を示している115。
自由エネルギーとは、基本的に脳のモデルの複雑さから脳の状態に関する予測の正確さを差し引いたものであり、したがって、モデルの複雑さを減らすことは自由エネルギーを最小化するために重要である。具体的には、HobsonとFriston115が提唱した仮説は、シナプスが刈り込まれるとモデルの全体的なパラメータが減少するので、シナプスの刈り込み（徐波睡眠中のSHYで提案されている種類のもの）31がモデルの複雑さを最小化するのに役立つ（したがって、自由エネルギーを最小化するのに役立つ）というものである。しかし、SHYは実際には、覚醒活動がこの変化によって一般的に影響を受けないように、特にシナプス重量の正味の減少があることを明記しており、さらに、レム睡眠や夢を見ることよりもNREM睡眠や徐波睡眠に関連することも明記している。一般的なダウンスケーリングとそのモデルの複雑性や誤差の最小化への影響、さらにはレム睡眠中に発生する可能性については、「夢は選択的忘却のためにある」のセクションで述べたように、以前から提案されていた88,89。
Hobsonら116では、シナプスの刈り込みやスケールダウンに関係なく、さらに関連した仮説が紹介されている。それは、自由エネルギーの原理によれば、脳は自分自身の将来の状態をより良く予測しようと絶えず努力しているという考えに基づいている。そのため、脳がボトムアップの感覚入力を欠いているとき（つまり、夢を見ているとき）でも、脳は自由エネルギーを最小化する必要がある。つまり、予測エラーは、外界との不整合ではなく、モデルの内部的な整合性にのみ起因するため、モデルの複雑さは暗黙のうちに軽減されなければならない。この見解によると、「我々は、レム睡眠は、覚醒時の経験を参照しながら、具現化された自己の生成モデルを繰り返し、最適化する機会であると提案する」116 。
しかし、一般的に、夢に対する予測処理、特に能動的推論のアプローチには問題がある。大半の夢では、自由エネルギーは最大化されるのではなく、実際には最小化されるのである（この見解は、夢を見ている間に前頭葉領域の寄与が減少することからも裏付けられる）117,118 つまり、夢は、行動の結果がそれによって生じる知覚に対して継続的にテストされる「因果関係の遊び場」ではない。明晰夢の場合はそうかもしれないが、明晰夢は夢の中でもごく少数である119。
脳の目標は常に自由エネルギーを最小化することであり、夢の中では覚醒時と同じように行動が結果的に起こるという仮定に頼る以外に、この仮説に関するもう一つの特別な懸念は、夢は、その現象論が物語的で幻覚的であることを考えると、ゲシュタルト生成モデル（ましてや「具現化された自己」のモデル）によって作成された予測の驚きを最小化するためには、あまり良い候補とは思えないことである。
例えば、夢が最適な事前の信念を作り出すことや、入力のない予測誤差を最小化することでモデルの自己整合性を向上させることを目的としていたとしたら（Hobsonたち116のように）、結果として、夢は発達の過程で入力のない予測誤差が最小化されるにつれて驚きが少なくなるはずである。このプロセスにより、生成モデルは、発達過程においても、一晩の睡眠においても、より内部的に一貫性があり、より解析的で、より飼いならされたものとなり、したがって、より目覚めた世界に似てくるはずである。しかし、これは子供の夢は静的で面白くないと自己申告され、発達の過程でより面白く驚きに満ちたものになっていくという経験的なデータが示す結果とは全く逆である120。
実際、夢が時間の経過とともに驚きのなさや内的一貫性に最適化されるという証拠はない。これと同じような批判が、睡眠の目的は実は覚醒睡眠アルゴリズムそのものを実装することにあるという提案にも適用できる121。さらに、この考えには他にも多くの問題がある。例えば、覚醒睡眠アルゴリズムは、生成モデルを訓練する特定の形式の教師なし学習のためのものであり、脳は明らかにそれ以上のことをしているという事実である。
さらに、覚醒睡眠アルゴリズムを実装するには、フィードフォワードまたはフィードバック接続のみを異なる時間に学習するなど、生物学的に現実的ではないいくつかの仮定が必要である。
しかし、この夢のアプローチの背景にある利点は、モデルの複雑さに対する効果であり、これは、機械学習におけるモデルの複雑さの減少は、一般的に過剰適合の減少と関連しているため、OBHの焦点と同様であることを強調しておく必要がある。
また、自由エネルギー原理によるドリーミングへのアプローチは、OBHのように破損した入力や確率的な入力が一般化を助けるのではなく、入力のない生成モデルの予測におけるエラーを最小化することで達成されるという点で、非常に特殊なものである。このことは、OBHの関心事が、OBH自体ではなく、脳機能に関する様々な考え方に基づいていることを示している（「夢は選択的忘却のためにある」と「考察」でさらに論じている）。実際、OBHは、予測処理においてモデルの複雑性が果たす問題を、特定の自己モデルのためだけではなく、学習やパフォーマンス全体に一般化したものと考えることができるかもしれないし、行動のメカニズムとして予測誤差を最小化しようとする仮定の原動力に頼ることもない（したがって、OBHは、夢が時間とともに意外性のないものになるというような、この原動力の結果を共有することもない）。しかし、OBHは、深層学習の一般的な慣習や、夢の現象との類似性、脳が日々の学習で直面するニューラルネットワークのトレーニングと同様の課題によって、全く独立した動機付けを行うことができる。
過剰適合した脳という仮説
技術が進歩すると、科学は複雑なシステムを理解するためのメタファーとして新しい技術を利用することが多くなる122。これは特に神経科学において顕著である。この10年間で、脳にインスパイアされたディープニューラルネット（DNN）からは、神経科学にとって多くの教訓が得られることが明らかになった。DNNは、標準的なコンピュータアーキテクチャとは異なる学習に関する考え方の枠組みを提供する。DNNは、複雑なタスクにおいて人間の知能を模倣することに成功した唯一の例であり、グリッドセル、形状調整、視覚的錯覚など、脳に似た接続性や表現特性を持つ傾向がある123。
DNNと脳との最も大きな違いの1つは、誤差のバックプロパゲーションに従ってシナプスの重みを更新することは、従来、生物学的に非現実的であるとみなされていたことである。しかし、新しい研究によると、脳はバックプロパゲーションの中核的な機能を実装している可能性があり、その候補として、活動の違いによる神経勾配表現などが挙げられている124。
どちらも、天文学的に大きなパラメータ空間で重みを更新することで複雑なタスクを実行するシステムであるため、神経科学が深層学習にヒントを求めるのは当然のことといえる。脳とDNNは、複雑なタスクの学習と実行の際に直面する課題が大きく重なっていることは明らかである。特に、DNNが直面する最も普遍的な課題の1つは、一般化と記憶の間のトレードオフであり、ある特定のデータセットに適合するように学習すると、他のデータに対する一般化能力が低下する可能性がある。この過剰適合は、トレーニングセットでのパフォーマンスがテストセットでのパフォーマンスと差が出始めたときに識別できる。深層学習のコミュニティでは、DNN の過剰適合の解決策として、入力データセットを破損させて自己類似性を低下させるなど、ノイズの注入という形で行われることがほとんどである125。
生物が日々経験する環境は、自己類似性が高く、偏ったサンプリングが可能であるため、脳は学習の際にこのような問題に直面する。OBHでは、夢は生物学的に現実的な「ノイズ注入」を提供するとしている。具体的には、夢は、大脳皮質の階層構造を通じて信号が確率的に浸透し、デフォルト・モード・ネットワークを活性化させることに基づいていることを示す良い証拠がある127。つまり、「壊れた入力」は、脳のモデルや表現と統計的に類似しているということである。言い換えれば、脳の階層構造を確率的に探索して得られるものである。これは、夢の中でよく見られる構造化された幻覚のようなものにつながる。
夢の幻覚性、カテゴリー破り、寓話性は、動物の「トレーニングセット」（＝日常の経験）とは極端に異なることを意味する。日中はタスクに適合し、夜は半ランダムな経験を経て過剰な適合を避けるという日周サイクルは、脳における「シミュレートされた焼きなまし」129のようなものだと考えられる。つまり、夢が起きているときの経験とは異なる奇妙なものであることが、夢に生物学的機能を与えているのである。
これは、脳の階層構造に注入されたノイズがフィードバックされて、歪んだ、あるいは「壊れた」感覚入力を発生させることに由来すると考えられる。この確率的な活動の進化した全体的な目的は、過剰適合を防ぐことである。この過剰適合は、特定のモジュールやタスク、特定の脳領域やネットワーク内で行われる場合もあれば、分布外の（見たことのない）新規刺激に対する一般化を伴う場合もある。
後述するように、OBHは、夢に関する様々な既知のデータとよく適合する。例えば、夢は、神経調節の影響を受けて「壊れた特徴」を作り出すノイズの形で生理的に発生し、学習における役割を果たし、問題解決や創造性にとって重要な役割を果たす。しかし、最も重要なことは、夢を何らかの背景のプロセスによって生成された表出現象とは考えず、夢そのものの実際の現象を説明し、それを動機としていることである。夢が希薄であるのは、ボトムアップ的な入力の「脱落」に由来し、幻覚的な性質は、上位の確率的な起源に由来し、生物が通常経験する日常的な「訓練セット」から、目的を持って破損したり歪められたりすることを意味する。つまり、OBHによれば、夢という明確な現象は、生物の一日の単なる記憶に対抗して、一般化を向上させる効果を最大限に発揮するために存在する。OBHの証拠と、その特徴的な主張の詳細については、以下のセクションで説明する。
脳科学的根拠
では、伝統的な脳科学の手法を用いた場合、OBHはどのような根拠を持つのか。すべての研究に注目するのではなく、「夢は学習と（何らかの形で）相関している」という説とOBHを区別する研究に注目するとよい。
人間の行動実験では、特にOBHを裏付ける良い証拠がある。まず、現実の出来事と部分的に類似した夢を引き起こす最も効果的な方法は、ある課題に対して繰り返しオーバートレーニングを行うことである。例えば、テトリス80やスキーシミュレーター130などのゲームを何度もプレイすると、具体的な記憶の反復や再生ではなく、学習した課題を含む夢を見るようになる。言い換えれば、現実世界の出来事に関する夢を引き起こす最も確実な方法は、日中に反復してタスクを実行することであり、できれば新しいタスクを実行することである。OBHでは、この効果の説明と、夢を見ることのメリットの具体的な内容が明確に示されている。斬新な課題でオーバートレーニングを行うと、脳がその課題に過剰に適合した状態になり、その課題のパフォーマンスを一般化しようとする夢を毎晩見るようになる。タスクに関する夢を見ることで、そのタスクの日常的なパフォーマンスが向上するという証拠は、ミラートレーシング131や倒立ゴーグルを装着しての読書132などに見られる。もしそうであれば、最近の学習に関係するニューロンが最も過剰適合の影響を受けることになる。このようにして、OBHは統計的な「リプレイ」の結果の多くを説明することができる。なぜなら、反応学習でシナプスの変化を見たニューロンは、夢を見ることによる規則化の影響を最も受けているからである。
OBHのもう一つの証拠は、人間の場合、睡眠が学習を向上させるかどうかは、タスクに依存するという証拠があることである。成人した人間の場合、知覚課題では睡眠による学習効果はほとんど見られず、認知課題では学習効果が顕著に見られた。133 成人した人間は、すでに十分に適合した知覚モデルを持っていると考えられるので、複雑な認知課題では一般化可能性の向上による学習効果が期待できるはずである。
一方、新生児の場合、1日の16〜18時間の睡眠のうち50％がレム睡眠の一種である「アクティブスリープ」であることから、初期の知覚モデルは常にオーバーフィットの危険にさらされていると考えられる。OBHは、睡眠が記憶を直接改善するだけでなく、記憶のある側面に他よりも影響を与えるという証拠によっても裏付けられている。例えば、単語連想テストでは、純粋な記憶に相当する直接連想は一晩寝てもそれほど効果がないのに対し、単語連想は妨害された連想に対抗する能力が高いという結果が出ている134。これは、記憶は睡眠の影響を最も受けにくく、一般的なパフォーマンスは最も影響を受けることを示している。このことは、乳幼児においても同様であり、睡眠は一般化能力や抽象化能力の向上と相関している135,136。
このことは、ビデオゲームなどの課題で成績が停滞しても、睡眠をとると翌日には成績が上がっていたという経験談と一致している137。また、夢と創造性の間には、長年にわたる伝統的な関連性があり、豊富な文献がある。夢と創造性に関する逸話的な報告は、睡眠によって課題の抽象化や推論が向上するという綿密な研究によって裏付けられている138,139。このことは、一般化が進むことで複雑な問題に対する洞察力が増したり、創造性を必要とする認知課題のパフォーマンスが向上したりすることに直結するため、OBHに直接合致する。実際、夢を見ることは、新しい記憶と古い記憶の統合、記憶の再生、記憶の保存のためであるという仮説よりも、創造性と夢を見ることの関連性をよく説明している。
最後に、夢は一般的に記憶喪失であり、夢の中では明示的な記憶がほとんどないことが、OBHの問題点であると主張されるかもしれない。それならば、夢の内容が神経回路網の能力に影響を与えるのはおかしいのではないか？ここで重要なのは、明示的な宣言的記憶へのアクセスと、学習にはシナプスの変化が伴うという一般的な事実を区別することである。例えば、睡眠中の記憶喪失効果は、前頭前野の抑制によるものかもしれない。前頭前野の抑制により、夢を見ているときに夢だと認識できないように、認知的なアクセスという意味では、同じ抑制により思い出すことが困難になっているのかもしれない21。おそらく、夜の終わりにすべての夢のエピソード記憶を形成することもアクセスすることもできないことの影響は、睡眠中の神経調節環境によるものであろう。
OBHを裏付ける証拠として、夢を見ると、覚醒時の経験ほどではないにせよ、脳のシナプスの接続性が変化し、エピソード記憶の保存量が大幅に減少することが挙げられる。
睡眠中にシナプスが変化するという証拠は何か？SHYの支持者は、シナプスのホメオスタシスという形で、睡眠中にシナプスが変化する証拠があると主張してきた。これは、シナプス強度の普遍的なダウンスケールという形で毎晩起こる規則化である。一般的に、覚醒時に正味の増強があるか抑制があるかは課題によって異なるようで141、学習には覚醒時と睡眠時の両方向のシナプス可塑性が関与していることを示している142。しかし、今のところ、夢の内容が覚醒時の経験の内容のようにシナプスの変化や学習につながるという強力な実証的証拠はなく、実験的に探求することは困難であることに留意すべきである。
ディープラーニングによるエビデンス
深層ニューラルネットワークが直面する最も重要かつ普遍的な課題の1つは、学習されたデータセットを超えて一般化する能力、つまりデータセットを単に記憶することを避ける能力である。過去10年間、深層学習コミュニティでは、特定のデータセットでの過剰適合を回避するための手法や技術を開発し、最も広範なレベルでは、これまでにないデータセットへの外挿を可能にするための多大な努力がなされてきた。
このセクションでは、深層学習（および一般的な人工ニューラルネットワークの研究）において一般的に使用されている3つのこのような技術を概観する。注目すべきは、これらの3つのテクニックはそれぞれ、夢の何らかの現象学的特性を具現化しており、また、夢を見ることの神経生理学について知られていることにも合致している。
143
ドロップアウトは、ネットワークの学習時に、入力の一部をランダムに「ドロップアウト」することで入力を疎にするもので、数学的にはノイズ注入に似た学習時の正則化の一形態である。例えば、夢の中では携帯電話が使えないのは、そのような小さなアイコンや文字を支えるだけの現象学的な詳細がないからである。ドロップアウトが成功する理由の一つは、データが引き出される可能性のある様々なモデルの平均化効果のように作用するからである。夢は、ボトムアップの刺激がドロップアウトされているため、意識的な経験が弱まった状態であり、起きているときの意識的な経験のような詳細さはない。これは、夢の機能を妨げるのではなく、むしろ助けているとOBHは考えている。
OBHを支える2つ目の技術は、DNNの学習に用いられる「ドメイン・ランダマイゼーション」という手法である。ドメインランダマイゼーションでは、学習時の入力を、特定の方法で歪ませたり、破損させたりするという意味で「ランダム化」する。これにより、学習や一般化が飛躍的に向上する。ドメインランダマイゼーションは、ロボットハンドを使ってルービックキューブをDNNに解かせるために必要であるなど、ディープラーニングの最先端技術に用いられてきた144。
夢を見ることと関係がある深層学習の3つ目の共通点は、何らかの生成モデルを使用してニューラルネットワークのトレーニングセットを拡張し、様々なタスクの学習を支援することである。生成モデルは、相手の出力を予測するフィードフォワードネットワークのセットを使用して複雑なタスクの最先端のパフォーマンスを可能にするGAN（Generative Adversarial Network）やその他の技術の成功の背後にある146。生成モデルからの入力は、破滅的な忘却を防ぐなど、実際に学習の助けになることが示されている149。
これは、夢を見る脳のケースに近いと言える。純粋なフィードフォワードではないネットワークや、実験者が操作できる外部モデルを持つネットワークでは、（一般的にはノイズを注入することで）上位層を刺激すると、あたかもネットワークが想像上のソースからボトムアップで刺激を受けているかのように、入力の統計的特性を再現する下位層の活動パターンが生じることがある（これは「Dreams benefit predictive processing by refining generative models」で取り上げた覚醒-睡眠アルゴリズムに似ている）。これは、脳においても同様で、脳領域の高い階層にある確率的な活動が、フィードバック接続を介して幻覚的なパターンの入力を作り出していると考えられる。
このことは、夢が「トップダウン」であるという証拠と一致する151。さらに、脳の世界モデルから引き出された夢は、時間の経過とともに、特に思春期に、より物語的で複雑になるという証拠とも一致する152。人間の脳が世界を理解する方法は物語であるため154、脳の階層構造を確率的に刺激することで物語が生まれ、それが幻覚のようなまばらなボトムアップの学習用インプットとして機能することで、過剰適合を防ぎ、一般化を向上させることができる。物語や出来事は、意識的な知覚自体がどのように進行し、世界を理解するかを示すものであるため、この方法では、物語は動物の通常の「トレーニングセット」を直接拡張するものである155。
OBHは、夢はこの3つの技術の組み合わせに似ていると主張している。つまり、感覚入力の疎なセット、破損したセット、ランダムなセットは、生成モデルとしての脳の階層的な性質を利用したフィードバックによって作成されている可能性が高く、これらの経験の目的は、生物の限られた偏った「トレーニングセット」を拡張して規則化し、オーバーフィットを防ぐことにある。もちろん、これらの技術の正確な実装（複合的な性質など）は、脳の場合、深層学習の研究とは異なるはずだ。なぜなら、脳は人工ニューラルネットワークにはない多くの課題を抱えているからである。日々の学習の中でドロップアウトやドメインランダム化を実装した生物は、深刻な生存問題に直面するだろう。したがって、一般性を高め、過剰適合や起きているときの感覚入力を純粋に記憶することを避けるためには、専用のオフライン期間が必要である。睡眠は、おそらく元々他の家事のために進化したものであり、そのための完璧な時間なのである。
全体として、夢の現象と、ディープラーニングの分野で一般的な手法である、過剰適合の緩和、純粋な記憶の回避、一般化の支援とが重なることから、夢を見ることの進化した機能は、まさにこれらの目的のためであるという考えに信憑性がある。
予測
OBHでは、学習時の一般化が夢からどのような恩恵を受けるかを明確にすることで、いくつかの調査を一つの屋根の下にまとめている。これは、生物が一日の出来事を記憶することに依存していて、それがしばしば高度に統計的に偏っていることを、夢がどのように克服するかを理解することを意味する。この理論は、実験的にも理論的にも追求できる多くの具体的な予測をしている。
実験的検証
神経科学におけるOBHの実験的検証は、いくつかの要素から成り立っている。OBHの下では、夢を見ることの利点の多くは、それ自体を記憶することではなく、一般化可能性の領域にあると考えられる。例えば、人間の場合、過剰適合を直接測定することができるかもしれない。これには、過剰適合の状態を確保するために、被験者に過度に反復的なタスクを訓練することが含まれる。また、深層学習と同様の手法を用いて、パフォーマンスの一般化をテストすることも考えらている。
動物モデルでは、純粋な記憶と一般化の違いや、それぞれに対する睡眠不足の影響を明確に分離する試みは行われていない。OBHによれば、暗記は一般化よりも睡眠不足の影響を受けにくいはずである。
したがって、マウスモデルを使って、文脈恐怖の一般化156などを、睡眠遮断や、可能であれば夢遮断の条件下で調べることができる。行動予測とその後の研究に加えて、夢に反応したシナプス可塑性の追跡を試みる可能性もある。これには、レム睡眠中の樹状突起棘の形態変化を追跡するようなことが含まれるかもしれない。例えば、SHYを調べるために睡眠中の棘の形態変化を追跡することが行われている157。
注目すべきは、OBHが夢の目的であると主張するような認知の柔軟性や一般化は、重要な時期に睡眠不足の状態で業務を行うことがある労働者や軍人にとって非常に重要であり、事故率の上昇につながり158、年間の金銭的な影響も大きいということである159。もし、睡眠不足の脳が過剰に適合しているというのが事実であれば、ステレオタイプな方法でエラーを起こしやすくなるだろう。もし、睡眠不足の脳が過剰に機能していることが事実であれば、ステレオタイプのエラーを起こしやすくなる。
さらにOBHでは、夢の代替物（夢の性質を持つように人工的に生成された夢のような刺激で、オーバーフィッティングを改善する効果がある）の可能性も予測している。このような夢の代替物は、バーチャルリアリティ（VR）やビデオでも提供され、睡眠不足による認知機能の低下を遅らせるための簡単かつ効果的な手段となるかもしれない。例えば、長時間飛行機に乗っているパイロットが、自分の仕事に過剰適合し始めている場合、全く異なる種類の視覚刺激（VRによる夢のような自然の風景など）を短時間で集中的に受けることで、睡眠不足の影響を食い止めることができるかもしれない。代用の影響は、行動面だけでなく、レム睡眠のリバウンドという神経生理学的なレベルでも検証することができる160。
理論的検証
OBHは、神経科学だけでなく、深層学習の分野にも影響を与える？このことは、大規模な視床皮質スパイキングニューロンモデルのような生物学的に現実的なモデルに特に当てはまり、これらのモデルは以前、皮質の結合性の発達とその徐波への影響を調べるために使用されていた161。このような皮質モデルでは、ニューロモジュレーションを用いて、トレーニングに睡眠段階を模した期間を挟み、最初にトレーニングセットの実際の入力を循環させ、次にトップダウン接続から生成された幻覚のような破損した入力を循環させることができる。そうすれば、オーバーフィットを防ぐことができるはずである。
では、どのような確率的バイアスによって、夢が入力データを歪ませ、オーバーフィッティングを防ぐことができるのだろうか。もしOBHが正しければ、夢のまばらで幻覚的な性質から、オーバーフィッティングをうまく回避する入力分布のゆがみは、このような性質を持っていると予想される。そのような分布は、通常の入力よりもエントリ数が少ないという点で疎であり、標準的な「日常」の入力とは異なる方法でクラスタリングされているという点で幻覚的であるはずである。このことは、最先端のDNNだけでなく、より生物学的に現実的な人工ニューラルネットワークでも直接試すことができます。つまり、入力が可能な限り夢のように変更された臨界点があるかもしれない。これは、生物学的に現実的な人工ニューラルネットワークにおいて過剰適合を防ぐ最も効果的な手段であり、破損した入力がどのように異なる形で一般化を助けるかを調べることで検証できる。さらに、脳では学習が日周期に行われるため、周期的な夢のような活動の現実的なパターンを模倣するように調整することが、一般的な機械学習において最も有益な効果をもたらすことを意味しているのかもしれない。さらに、夢のような入力の際に学習率を下げる（夢の中の神経調節環境では、強い記憶の形成が阻害される可能性が高い）ことが、DNNの学習に特に有益であるという仮説も考えられる。
考察
OBHは、夢の進化した目的を、通常の感覚入力を確率的に破壊することで一般化を支援することとしている。これは、人工ニューラルネットワークや機械学習全般で問題となる過剰適合につながる、動物の日常的な学習中の高度に偏った入力の性質に対抗するものである。これは、経験的な証拠（「神経科学からの証拠」）と理論的な証拠（「深層学習からの証拠」）の両方で支持されている。多くの場合、他の仮説よりも観察された結果をうまく説明することができる（比較のための仮説は「夢の現代理論」で説明している）。例えば、テトリスのような新奇な課題を繰り返し行わせることが、何かに関する夢を引き起こす最も効果的な方法であると考えられている73,130。また、OBHは、「リプレイ」の結果には、覚醒時のシーケンスを実際に再生した場合よりも、これまでに見たことのない活動パターンが含まれていることが多いという事実にも合致する69。これまでの文献でも指摘されているように、夢は一般化や要点抽出に何らかの役割を果たしている可能性がある79。
OBHは、睡眠に関する他の仮説、例えば、睡眠中のある期間には、代謝による老廃物の除去が行われているという考えと必ずしも矛盾しない28。この意味で、OBHは、夢を見ることは外来性の進化であり、睡眠は分子のハウスキーピングのために進化し、生物の一生の間に脳が大幅に学習しなければならなくなったときに初めて、過剰適合を避け、一般化を高めるという目的が適応的になったと推測している。
OBHは、夢に関するいくつかの仮説を否定するものではなく、新たな側面を加えています。例えば、夢は覚醒時に脳が心象風景を作り出す能力を強化するための実験台であるという仮説は、幼少期から成人期にかけて夢が複雑化することを説明している。仮説としては、夢への自由エネルギーアプローチと同じような背景を持っている116が、夢は生成的自己モデルのプリオールの予測をテストするためのものであるとか、入力のない予測誤差が最小化されることで時間とともに夢が意外性のないものになるはずであるといった仮定はない。また、SHY、OBH、そして夢の逆学習仮説（「夢は選択的忘却のためにある」参照）の間には、重複する余地があるように思われます。結局のところ、OBHは、夢の現象や深層学習の一般的な手法を動機として、夢の中の感覚入力の破損、ゆがみ、確率的な性質が脳の日常的なタスクのパフォーマンスを向上させるのに役立つという形式的な提案に過ぎません。
また、OBHでは、夢が一般化を向上させる役割には、複数のタスクで学習しようとするDNNが直面する問題であり、ドロップアウトのような方法や弾性重み連結のようなより複雑な技術によって防止または緩和される「破局的忘却」に対抗することも含まれていることが注目されている164。
最近の研究では、ネットワークのトップダウン接続を刺激することで（OBHによれば、これは夢に似ている）、破局的忘却を回避するのに役立つことが明らかになっている165。破局的忘却（ある課題を学習中に別の課題を完全に忘れてしまうこと）のような問題は、人間ではあまり報告されていないが、個々の脳モジュールやネットワークが何らかの形で直面している可能性があり、夢は、一般的な学習障害のいくつかの側面を同時に改善する可能性のある正則化の形として概念化することができる。
例えば、分布内と分布外の両方の一般化が改善されるだけでなく、夢の現象に見られる確率的な余裕は、DNNにおいて確率的な刺激がこれらの効果を持つように、敵対的な攻撃に対する安全性や全体的な計算効率などを改善する可能性がある37。OBHの最も特徴的な点は、夢の現象学を真摯に受け止めていることである。夢は、まばらで、幻覚性があり、奇想天外な出来事を含むという意味で物語性がある（また、現象学と神経活動の関係は依然として不明ですが、その関係をマッピングしようとする現代の理論が存在する）166。この仮説によれば、夢は、中立的な進化という意味でも、新しい記憶を統合する他の処理によってもたらされただけの活動パターンや関連する経験など、他の背景となるプロセスの表れではないという意味でも、表象ではない54。逆説的に思えるかもしれないが、空を飛ぶ夢を見ると、実際にバランスを保って走ることができるかもしれない。この可能性を示す証拠は、一般化を向上させる深層学習の一般的な手法であるドロップアウト126、ドメインランダム化144、生成モデルへの確率的な刺激によって作成された入力データの使用148などから得られ、これらは共に夢の特性と驚くほどの類似性を持っている。
OBHは、神経科学の分野と深層学習の分野の両方に役立ついくつかの予測をしている。これは、神経生理学的なレベルでの予測だけでなく、行動学的な予測、さらには深層学習の分野での予測も含まれている。例えば、夢のような特性を持つ入力（夢の現象論に準拠した入力）は、DNNのオーバーフィットを助けるという予測がある。行動学的には、サンプル数の少ない課題を繰り返し訓練することで被験者過剰適合を誘導し、夢の恩恵を直接測定することができるかもしれない。また、夢の代替の可能性もあり、人工的に夢のような刺激を与えることで、睡眠不足の人の一般向け能力を高め、パフォーマンスを向上させることができるかもしれない。
最後に、小説や映画などのフィクションが人工的な夢として機能し、少なくとも同じ機能の一部を果たしているかどうかを考えるために、夢の代替という考えを真剣に受け止める価値がある。人間の行動の諸相を進化論に基づかせようとする進化心理学の世界では、人間がフィクションに関心を持つことについて長年の混乱があった。というのも、フィクションは表面的には何の役にも立たないし、そもそも明示的な虚偽の情報だからである。そのため、フィクションは仲間の選択に影響を与えるために認知的な適合性を示すものであるか、あるいは単に「チーズケーキ」に相当するものであり、消費することには満足するが利益はないと考えられてきた167。虚構の消費には、心の理論の向上169や社会的規範の抽象化などの効用があるとする研究者もいる。
ニューロドクター乱夢随想録 