Из Википедии, бесплатной энциклопедии
Перейти к навигации Перейти к поиску

Байесовские подходы к функции мозга исследуют способность нервной системы действовать в ситуациях неопределенности способом, близким к оптимальному, предписанному байесовской статистикой . [1] [2] Этот термин используется в поведенческих науках и нейробиологии, и исследования, связанные с этим термином, часто стремятся объяснить когнитивные способности мозга на основе статистических принципов. Часто предполагается, что нервная система поддерживает внутренние вероятностные модели , которые обновляются нейронной обработкой сенсорной информации с использованием методов, приближенных к методам байесовской вероятности .[3] [4]

Истоки [ править ]

Эта область исследований имеет свои исторические корни во многих дисциплинах, включая машинное обучение , экспериментальную психологию и байесовскую статистику . Еще в 1860-х годах в работах Германа Гельмгольца в области экспериментальной психологии способность мозга извлекать перцептивную информацию из сенсорных данных была смоделирована в терминах вероятностной оценки. [5] [6] Основная идея заключается в том, что нервной системе необходимо организовать сенсорные данные в точную внутреннюю 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 приписана данному предположению или гипотезе на основе имеющихся свидетельств. [7] В 1988 году 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 привести к пониманию функции нервной системы.

Эта идея была подхвачена в исследованиях неконтролируемого обучения , в частности подхода анализа путем синтеза, ветвей машинного обучения . [9] [10] В 1983 году Джеффри Хинтон и его коллеги предположили, что мозг можно рассматривать как машину, принимающую решения на основе неопределенностей внешнего мира. [11] В 1990-х годах исследователи, включая Питера Даяна , Джеффри Хинтона и Ричарда Земеля, предположили, что мозг представляет знания о мире с точки зрения вероятностей, и внесли конкретные предложения по управляемым нейронным процессам, которые могли бы проявить такую машину Гельмгольца . [12] [13] [14]

Психофизика [ править ]

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 - работы Лэнди , [15] [16] Джейкобса, [17] [18] Джордана, Нилла, [19] [20] Кординга и Вольперта, [21] [22] и Голдрайха. [23] [24] [25]

Нейронное кодирование [ править ]

Многие теоретические исследования спрашивают, как нервная система может реализовывать байесовские алгоритмы. Примеры - работы Пуже, Земеля, Денев, Латама, Хинтона и Даяна. Джордж и Хокинс опубликовали статью, в которой устанавливают модель обработки корковой информации, называемую иерархической временной памятью, которая основана на байесовской сети цепей 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 [ править ]

Ряд недавних электрофизиологических исследований сосредоточен на представлении вероятностей в нервной системе. Примеры - работы Шадлена и Шульца.

Предиктивное кодирование [ править ]

Прогнозирующее кодирование - это нейробиологически правдоподобная схема для определения причин сенсорного ввода на основе минимизации ошибки предсказания. [27] Эти схемы формально связаны с фильтрацией Калмана и другими схемами байесовского обновления.

Свободная энергия [ править ]

В течение 1990-х годов некоторые исследователи, такие как Джеффри Хинтон и Карл Фристон, начали исследовать концепцию свободной энергии как поддающуюся расчету меру несоответствия между фактическими характеристиками мира и представлениями тех характеристик, которые фиксируются моделями нейронных сетей. [28] синтез, был предпринят недавно [29] с помощью Карла Friston , в котором байесовский мозг выходит из общего принципа минимизации свободной энергии . [30] В этой структуре и действие, и восприятие рассматриваются как следствие подавления свободной энергии, что приводит к перцептивному [31] и активному выводу [32].и более воплощенный (активный) взгляд на байесовский мозг. Используя вариационные байесовские 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, присущий 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 для непрофессионала, в статье 2008 года в New Scientist, в которой была предложена объединяющая теория 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 размещение 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. Он предсказывает ослабление ответов кодирует ошибку предсказания с перцептивным обучением и объясняет многие явления, такие как подавление повторения, негативность несоответствияи P300 в электроэнцефалографии. С психофизической точки зрения, это объясняет поведенческие корреляты этих физиологических явлений, например, прайминг и глобальный приоритет » [33].

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

См. Также [ править ]

  • Байесовская когнитивная наука
  • Когнитивная архитектура
  • Вычислительная нейробиология
  • Принцип свободной энергии
  • Двухальтернативный принудительный выбор

Ссылки [ править ]

  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. DOI : 10,1017 / s0140525x12000477
  2. ↑ Сандерс, Лаура (13 мая 2016 г.). «Байесовское мышление причастно к некоторым психическим расстройствам» . Новости науки . Проверено 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, JPC (Ed.), Англ. Пер.), Vol. 3. Нью-Йорк: Дувр.
  6. ^ Westheimer, G. (2008) был Гельмгольц байесовский?» Восприятие 39, 642-50
  7. ^ Джейнс, ET, 1986, «Байесовские методы: общие сведения», в «Методы максимальной энтропии и байесовские методы в прикладной статистике», JH Justice (ed.), Cambridge Univ. Press, Кембридж
  8. ^ Джейнс, ET, 1988, «Как мозг делает правдоподобные рассуждения?», В « Максимальная энтропия и байесовские методы в науке и технике» , 1, GJ Erickson and CR Smith (ред.)
  9. ^ Ghahramani, Z. (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. ^ Fahlman, SE, Хинтон, GE и Сейновски, TJ (1983). Массивно-параллельные архитектуры для ИИ: машины Netl, Thistle и Boltzmann. Труды Национальной конференции по искусственному интеллекту, Вашингтон, округ Колумбия.
  12. Перейти ↑ Dayan, P., Hinton, GE, & Neal, RM (1995). Машина Гельмгольца. Нейронные вычисления, 7, 889–904.
  13. ^ Даян, П. и Хинтон, GE (1996), Разновидности машин Гельмгольца, Нейронные сети, 9 1385–1403.
  14. ^ Хинтон, GE, Даян, П., К, А. и Нил Р. (1995), Машина Гельмгольц во времени., Фогельман-Soulie и Р. Gallinari (редакторы) ICANN-95, 483-490
  15. ^ Tassinari Н, Хадсон ТЕ и Лэнди МС. (2006). Объединение априорных значений и шумных визуальных сигналов в задаче быстрого наведения » Journal of Neuroscience 26 (40), 10154–10163.
  16. ^ Хадсон TE, Мэлони LT и Лэнди MS. (2008). Оптимальная компенсация временной неопределенности при планировании движения . PLoS Computational Biology, 4 (7).
  17. Перейти ↑ Jacobs RA (1999). Оптимальная интеграция текстуры и сигналов движения в глубину » Vision Research 39 (21), 3621–9.
  18. ^ Батталия PW, Jacobs & RA Aslin RN (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 значений для восприятия глубины. Архивировано 21 ноября 2008 г. в Wayback Machine . Журнал Видения, 7 (8), 1–20.
  21. ^ Koerding KP & Wolpert DM (2004). Байесовская интеграция в сенсомоторном обучении . Природа , 427, 244–7.
  22. ^ Koerding К.П., Ku S & Wolpert DM (2004). Байесовская интеграция в оценке силы " Journal of Neurophysiology 92, 3161–5.
  23. ^ Голдрайх, D (28 марта 2007). «Байесовская модель восприятия воспроизводит кожные иллюзии кролика и другие тактильные пространственно-временные иллюзии» . PLOS ONE . 2 (3): e333. DOI : 10.1371 / journal.pone.0000333 . PMC 1828626 . PMID 17389923 .  
  24. ^ Голдрайх, Даниил; Тонг, Джонатан (10 мая 2013 г.). «Предсказание, постдикт и сокращение перцептивной длины: байесовский низкоскоростной априор захватывает кожный кролик и связанные с ним иллюзии» . Границы в психологии . 4 (221): 221. DOI : 10.3389 / fpsyg.2013.00221 . PMC 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. DOI : 10.1163 / 187847612X634445 . PMID 22564398 . S2CID 4931501 .  
  26. ^ Джордж Д., Хокинс Дж., 2009 К математической теории корковых микросхем " PLoS Comput Biol 5 (10) e1000532. Doi : 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.Е. и Земель, Р.С. (1994), Автоэнкодеры, минимальная длина описания и свободная энергия Гельмгольца . Достижения в системах обработки нейронной информации 6. JD Cowan, G. Tesauro и J. Alspector (Eds.), Morgan Kaufmann: San Mateo, CA.
  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. ^ Friston КДж, Daunizeau J, J Килнер, Kiebel SJ. Действие и поведение: формулировка свободной энергии , Biol Cybern. 2010. 102: 227–60.
  33. ^ a b c d Фристон К., Стефан К., Свободная энергия и мозг , Synthese. 2007. 159: 417–458.
  34. ^ Хуанг Грегори (2008), «Это единая теория мозга?» , Новый ученый . 23 мая 2008 г.

Внешние ссылки [ править ]

  • Универсальный дарвинизм - Карл Фристон
  • Домашняя страница Карла Фристона
  • Домашняя страница Джеффри Хинтона