Blake A. Richards and Paul W. Frankland,2017
结论:最优决策的持久性和短暂性
基于机器学习和计算神经科学的原理，作者提出两个益处：
1、 在变化和嘈杂的环境中，遗忘为记忆引导的决策提供了两个优势——灵活性与泛化。
图示：记忆的短暂性促进了灵活性和泛化
(A)餐饮业不稳定。虽然成功的餐厅可能会在同一地点停留多年，但偶尔也会搬迁(例如，搬到更大的地方)。此外，许多餐馆都失败了。这些失败的生意被新的餐馆所取代，往往是在同一地区(例如，社区密度高，适宜步行，有良好的公共交通连接)。因此，一个城市居民可能会编码他们最喜欢的餐馆的位置(例如，凯尔的小酒馆;红星)，位于他们的家西南(H)。
(B)当Kyle的小酒馆搬到他们家西北方向的新地方时，遗忘允许灵活的更新。
(C)遗忘也有助于推广，允许个人预测新餐馆通常会开在他们家以南的社区。
2、遗忘通过防止将记忆过度拟合来促进泛化。
一些论文讨论了遗忘为记忆引导决策提供的优势(Brea et al.2014;Fusi等，2007;Hunt and Chittka, 2015;Santoro等，2016b)：（都是神经网络）
1 Brea与果蝇：
Brea和他的同事用联想记忆范式对果蝇的决策过程进行了建模。
内容：研究了一个适应随机环境的智能体的最优决策，在随机环境中，刺激可能在奖励或惩罚之间切换。
结果：最优agent的遗忘率与环境变化的时间尺度有关。此外，为了减少失去未来奖励的几率，最优代理可能会用即时痛苦的风险换取信息获取，从而在厌恶条件作用后更快地遗忘。
遗忘代表了动态环境中最大化回报率的统计最优策略。也就是说，在行动结果随时间变化的环境中，重要的是行为者要逐渐遗忘;否则，他们的行为就会僵化，整体的回报率就会下降。
他们进一步发现，根据环境的时间动态调整遗忘率可以使回报率最大化。当行动结果的意外事件变动频繁时，快速遗忘是最佳选择。相反，当行动结果的意外事件很少改变时，较慢的遗忘是最好的。
结论：在不断变化的环境中，遗忘在果蝇中表现为一种最优的适应行为。这与遗忘是适应性的而不是记忆系统局限性的结果的观点是一致的。
2 Fusi与灵长类动物：
他们建立了一个决策神经回路的模型，该模型从一个实验中定量地复制了行为和前额叶单细胞数据，并将其输出与灵长类动物的心理物理数据进行了比较。
目的：为了研究大脑记忆灵活行为的电路基础。
任务：神经网络和猴子参与了一项感觉运动联想任务。被试必须学会将刺激与向左或向右的运动联系起来，这种运动有时会不可预测地逆转。
结果：灵长类动物的行为可以用一个结合了慢速和快速突触可塑性规则的模型来描述。
慢速学习规则导致了关于哪个方向获得奖励的总体概率的长期稳定的知识。（主导）
快速突触可塑性规则允许模型通过快速忘记最近的关联并根据长期趋势返回随机基线来调整逆转。
3 Santoro与觅食任务：
他们使用了一个有两个记忆系统的神经网络模型(一个用于精确记忆，另一个用于一般的统计模式)。该神经网络经过训练可以在奖励位置不断变化的觅食任务中找到奖励。
结果：随着时间的推移，从情节式策略切换到示意性策略会导致性能提高。这是由于奖励位置在短期内与其自身高度相关的趋势，但从长期来看会回归到稳定的分布。如果一个人忘记了精确的记忆，并过渡到经过正则化处理的一般模型，那么回报率会增加。
同时与Brea等人(2014)的发现相对应，Santoro等人(2016b)发现环境的动态与记忆的持久性和短暂性之间的理想平衡之间存在交互作用。在经常发生变化的环境中，迅速转向是有利的通用模型，而在静态环境中很少发生变化，它有利于保持特定的记忆更长的时间。
一个好的策略依赖于在持久性和短暂性之间具有不同平衡的多个内存系统（Benna和Fusi, 2016;Roxin和Fusi, 2013）。有证据表明，在不同的记忆系统中，对持久性和短暂性的强调是不同的。例如，储存在杏仁核中的某些类型的情绪记忆可能受到短暂性机制的保护，以提高生存能力(Maren和Quirk, 2004)。此外，有证据表明，情景性记忆的遗忘速度更快(依赖于海马体)，而更一般的记忆(语义或图式化)的遗忘速度更慢(依赖于新皮层)(Ritchey et al.， 2015)。持久性和短暂性之间的平衡的差异可能反映了灵活行为与统计泛化之间的专门化(例如McClelland等人，1995年)。
作者强调记忆不应该被简单地看作是一种通过时间来传输高保真信息的手段，相反，记忆的目的是引导明智的决策，以及记忆短暂性的重要性。
总结：遗忘并不一定是记忆的失败。相反，它可能代表着对更优记忆策略的投资。