Байесовские подходы к функции мозга - Bayesian approaches to brain function

Байесовские подходы к функции мозга исследовать способность нервной системы действовать в ситуациях неопределенности способом, близким к оптимальному, предписанному Байесовская статистика.[1][2] Этот термин используется в поведенческие науки и нейробиология и исследования, связанные с этим термином, часто пытаются объяснить мозг познавательные способности, основанные на статистических принципах. Часто предполагается, что нервная система поддерживает внутренние вероятностные модели которые обновляются нейронная обработка сенсорной информации с использованием методов, приближенных к Байесовская вероятность.[3][4]

Происхождение

Эта область исследования имеет свои исторические корни во многих дисциплинах, включая машинное обучение, экспериментальная психология и Байесовская статистика. Еще в 1860-х годах работами Герман Гельмгольц В экспериментальной психологии способность мозга извлекать перцептивную информацию из сенсорных данных моделировалась в терминах вероятностной оценки.[5][6] Основная идея заключается в том, что нервной системе необходимо систематизировать сенсорные данные в точную внутренняя модель внешнего мира.

Байесовская вероятность была разработана многими важными участниками. Пьер-Симон Лаплас, Томас Байес, Гарольд Джеффрис, Ричард Кокс и Эдвин Джейнс разработали математические методы и процедуры для обработки вероятности как степени правдоподобия, которая может быть отнесена к данному предположению или гипотезе на основе имеющихся свидетельств.[7] В 1988 г. Эдвин Джейнс представил основу для использования байесовской вероятности для моделирования психических процессов.[8] Таким образом, на раннем этапе было осознано, что байесовская статистическая структура может помочь понять функции нервной системы.

Эта идея была подхвачена в исследовании обучение без учителя, в частности, подход «Анализ путем синтеза», разделы машинное обучение.[9][10] В 1983 г. Джеффри Хинтон и коллеги предположили, что мозг можно рассматривать как машину, принимающую решения на основе неопределенностей внешнего мира.[11] В течение 1990-х годов исследователи, в том числе Питер Даян, Джеффри Хинтон и Ричард Земель предположили, что мозг представляет знания о мире с точки зрения вероятностей, и внесли конкретные предложения по управляемым нейронным процессам, которые могли бы проявлять такие Машина Гельмгольца.[12][13][14]

Психофизика

Смотрите также: Байесовский вывод в моторном обучении

Широкий спектр исследований интерпретирует результаты психофизических экспериментов в свете байесовских моделей восприятия. Многие аспекты человеческого восприятия и двигательного поведения можно смоделировать с помощью байесовской статистики. Этот подход, в котором особое внимание уделяется поведенческим результатам как конечному выражению нейронной обработки информации, также известен для моделирования сенсорных и моторных решений с использованием байесовской теории принятия решений. Примеры - работа Лэнди,[15][16] Джейкобс,[17][18] Джордан, Книл,[19][20] Кординг и Вольперт,[21][22] и Гольдрайх.[23][24][25]

Нейронное кодирование

Многие теоретические исследования спрашивают, как нервная система может реализовывать байесовские алгоритмы. Примерами являются работы Пуже, Земеля, Денев, Латама, Хинтона и Даяна. Джордж и Хокинс опубликовал статью, устанавливающую модель обработки корковой информации, названную иерархическая временная память который основан на байесовской сети Цепи Маркова. Далее они сопоставляют эту математическую модель с существующими знаниями об архитектуре коры головного мозга и показывают, как нейроны могут распознавать закономерности с помощью иерархического байесовского вывода.[26]

Электрофизиология

Ряд недавних электрофизиологических исследований сосредоточен на представлении вероятностей в нервной системе. Примеры - работа Шадлен и Шульц.

Предиктивное кодирование

Предиктивное кодирование представляет собой нейробиологически правдоподобную схему для определения причин сенсорного ввода на основе минимизации ошибки прогноза.[27] Эти схемы формально относятся к Калмана фильтрация и другие схемы байесовского обновления.

Свободная энергия

В 1990-е годы некоторые исследователи, такие как Джеффри Хинтон и Карл Фристон начал изучение концепции свободная энергия в качестве поддающейся расчету меры несоответствия между фактическими характеристиками мира и представлениями этих характеристик, зафиксированными моделями нейронных сетей.[28] Недавно была предпринята попытка синтеза[29] к Карл Фристон, в котором байесовский мозг возникает из общей принцип минимизации свободной энергии.[30] В этой структуре и действие, и восприятие рассматриваются как следствие подавления свободной энергии, что приводит к восприятию.[31] и активный вывод[32] и более воплощенный (активный) взгляд на байесовский мозг. С помощью вариационный байесовский методы, можно показать, как внутренние модели мира обновляются сенсорной информацией, чтобы минимизировать свободную энергию или несоответствие между сенсорным вводом и предсказаниями этого ввода. Это можно представить (в нейробиологически правдоподобных терминах) как прогнозирующее кодирование или, в более общем смысле, байесовскую фильтрацию.

По словам Фристона:[33]

"Рассматриваемая здесь свободная энергия представляет собой предел неожиданности, присущей любому обмену с окружающей средой, в ожиданиях, закодированных ее состоянием или конфигурацией. Система может минимизировать свободную энергию, изменяя свою конфигурацию, чтобы изменить способ, которым она отбирает образцы окружающей среды, или чтобы изменить ее ожидания. Эти изменения соответствуют действию и восприятию, соответственно, и приводят к адаптивному обмену с окружающей средой, который характерен для биологических систем. Такой подход подразумевает, что состояние и структура системы кодируют неявную и вероятностную модель окружающей среды. "[33]

Эта область исследований была резюмирована в терминах, понятных неспециалисту, в статье 2008 г. Новый ученый это предложило объединяющую теорию функции мозга.[34] Фристон делает следующие заявления об объяснительной силе теории:

«Эта модель функции мозга может объяснить широкий спектр анатомических и физиологических аспектов систем мозга; например, иерархическое развертывание корковых областей, повторяющиеся архитектуры с использованием прямых и обратных связей и функциональную асимметрию в этих связях. С точки зрения синаптической физиологии, он предсказывает ассоциативную пластичность, а для динамических моделей - пластичность, зависящую от времени спайков. С точки зрения электрофизиологии он учитывает классические и внеклассические эффекты рецептивного поля, а также длительные латентные или эндогенные компоненты вызванных корковых ответов. кодирование ошибки предсказания с перцепционным обучением и объясняет многие явления, такие как подавление повторения, несоответствие негативности и P300 в электроэнцефалографии. С психофизической точки зрения он объясняет поведенческие корреляты этих физиологических феноменов, например, грунтовка, и глобальный приоритет ".[33]

«Довольно легко показать, что и перцепционный вывод, и обучение основаны на минимизации свободной энергии или подавлении ошибки предсказания».[33]

Смотрите также

Рекомендации

  1. ^ Что дальше? Прогнозирующий мозг, расположенные агенты и будущее когнитивной науки. (2013). Поведенческие науки и науки о мозге Behav Brain Sci, 36 (03), 181-204. Дои:10.1017 / с0140525x12000477
  2. ^ Сандерс, Лаура (13 мая 2016 г.). «Байесовское мышление причастно к некоторым психическим расстройствам». Новости науки. Получено 20 июля 2016.
  3. ^ Кенджи Дойя (редактор), Шин Исии (редактор), Александр Пуже (редактор), Раджеш П. Н. Рао (редактор) (2007), Байесовский мозг: вероятностные подходы к нейронному кодированию, MIT Press; 1 выпуск (1 января 2007 г.)
  4. ^ Knill David, Pouget Alexandre (2004), Байесовский мозг: роль неопределенности в нейронном кодировании и вычислениях, Trends in Neurosciences Vol.27 No. 12 December 2004
  5. ^ Гельмгольц, Х. (1860/1962). Handbuch der Physiologischen optik (Southall, J. P. C. (Ed.), English trans.), Vol. 3. Нью-Йорк: Дувр.
  6. ^ Вестхаймер, Г. (2008) Был ли Гельмгольц байесовцем? " Восприятие 39, 642–50
  7. ^ Джейнс, Э. Т., 1986, «Байесовские методы: общие сведения», «Методы максимальной энтропии и байесовские методы в прикладной статистике», Дж. Х. Джастис (ред.), Cambridge Univ. Press, Кембридж
  8. ^ Джейнс, Э. Т., 1988, "Как мозг делает правдоподобные рассуждения?", В Максимальная энтропия и байесовские методы в науке и технике, 1, Г. Дж. Эриксон и К. Р. Смит (ред.)
  9. ^ Гахрамани, З. (2004). Обучение без учителя. В О. Буске, Г. Рэтч и У. фон Люксбург (ред.), Продвинутые лекции по машинному обучению. Берлин: Springer-Verlag.
  10. ^ Neisser, U., 1967. Когнитивная психология. Appleton-Century-Crofts, Нью-Йорк.
  11. ^ Фальман, С.Е., Хинтон, Г. и Сейновски, Т.Дж. (1983). Массивно параллельные архитектуры для ИИ: машины Netl, Thistle и Boltzmann. Труды Национальной конференции по искусственному интеллекту, Вашингтон, округ Колумбия.
  12. ^ Даян П., Хинтон Г. Э. и Нил Р. М. (1995). Машина Гельмгольца. Нейронные вычисления, 7, 889–904.
  13. ^ Даян П. и Хинтон Г. Э. (1996), Разновидности машин Гельмгольца, Нейронные сети, 9 1385–1403.
  14. ^ Хинтон, Г. Э., Даян, П., То, А. и Нил Р. М. (1995), Машина Гельмгольца во времени., Фогельман-Сули и Р. Галлинари (редакторы) ICANN-95, 483–490
  15. ^ Тассинари Х., Хадсон Т.Э. и Лэнди М.С. (2006). Комбинирование априорных значений и шумных визуальных подсказок в задаче быстрого указания " Журнал неврологии 26(40), 10154–10163.
  16. ^ Хадсон Т.Э., Мэлони Л.Т. и Лэнди М.С. (2008). Оптимальная компенсация временной неопределенности при планировании движения. PLoS Computational Biology, 4 (7).
  17. ^ Джейкобс Р.А. (1999). Оптимальная интеграция текстуры и сигналов движения до глубины " Исследование зрения 39(21), 3621–9.
  18. ^ Батталья П.В., Джейкобс Р.А. и Аслин Р.Н. (2003). Байесовская интеграция визуальных и слуховых сигналов для пространственной локализации. Журнал Оптического общества Америки, 20 (7), 1391–7.
  19. ^ Knill DC (2005). Достижение визуальных подсказок к глубине: мозг по-разному комбинирует реплики глубины для управления моторикой и восприятия.. Журнал видения, 5 (2), 103:15.
  20. ^ Knill DC (2007). Изучение байесовских априорных точек для восприятия глубины В архиве 2008-11-21 на Wayback Machine. Journal of Vision, 7 (8), 1–20.
  21. ^ Koerding KP и Wolpert DM (2004). Байесовская интеграция в сенсомоторном обучении. Природа, 427, 244–7.
  22. ^ Кординг К.П., Ку С. и Вольперт Д.М. (2004). Байесовская интеграция в оценке силы " Журнал нейрофизиологии 92, 3161–5.
  23. ^ Goldreich, D (28 марта 2007 г.). «Байесовская модель восприятия воспроизводит кожные иллюзии кролика и другие тактильные пространственно-временные иллюзии». PLOS ONE. 2 (3): e333. Дои:10.1371 / journal.pone.0000333. ЧВК  1828626. PMID  17389923.
  24. ^ Гольдрайх, Даниэль; Тонг, Джонатан (10 мая 2013 г.). «Прогнозирование, постдикт и сокращение перцептивной длины: байесовский метод низкоскоростного подхода, улавливающий кожный кролик и связанные с ним иллюзии». Границы в психологии. 4 (221): 221. Дои:10.3389 / fpsyg.2013.00221. ЧВК  3650428. PMID  23675360.
  25. ^ Goldreich, D; Петерсон, Массачусетс (2012). «Байесовский наблюдатель воспроизводит эффекты контекста выпуклости в восприятии фигуры и фона». Видение и восприятие. 25 (3–4): 365–95. Дои:10.1163 / 187847612X634445. PMID  22564398. S2CID  4931501.
  26. ^ Джордж Д., Хокинс Дж., 2009 К математической теории корковых микросхем » PLoS Comput Biol 5 (10) e1000532. Дои:10.1371 / journal.pcbi.1000532
  27. ^ Рао РПН, Баллард DH. Предиктивное кодирование в зрительной коре: функциональная интерпретация некоторых внеклассических эффектов рецептивного поля. Природа Неврологии. 1999. 2: 79–87.
  28. ^ Хинтон, Г. Э. и Земель, Р. С. (1994), Автоэнкодеры, минимальная длина описания и свободная энергия Гельмгольца. Достижения в системах обработки нейронной информации 6. Дж. Д. Коуэн, Дж. Тесауро и Дж. Альспектор (ред.), Морган Кауфманн: Сан-Матео, Калифорния.
  29. ^ Фристон К, Принцип свободной энергии: единая теория мозга?, Nat Rev Neurosci. 2010. 11: 127–38.
  30. ^ Фристон К., Килнер Дж., Харрисон Л. Принцип свободной энергии для мозга, J Physiol Paris. 2006. 100: 70–87.
  31. ^ Фристон К, Теория корковых реакций, Philos Trans R Soc Lond B Biol Sci. 2005. 360: 815–36.
  32. ^ Фристон KJ, Daunizeau J, Kilner J, Kiebel SJ. Действие и поведение: формулировка свободной энергии, Biol Cybern. 2010. 102: 227–60.
  33. ^ а б c d Фристон К., Стефан К., Свободная энергия и мозг, Synthese. 2007. 159: 417–458.
  34. ^ Хуан Грегори (2008), "Это единая теория мозга?", Новый ученый. 23 мая 2008 г.

внешняя ссылка