Байесовский подход к работе мозга
Байесовский подход к функционированию мозга исследует 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 направлены на объяснение когнитивных способностей мозга на основе статистических принципов. Часто предполагается, что нервная система поддерживает внутренние вероятностные модели , которые обновляются нейронной обработкой сенсорной информации с использованием методов, аппроксимирующих методы байесовской вероятности . [3] [4]
Происхождение
[ редактировать ]Эта область исследований имеет свои исторические корни во многих дисциплинах, включая машинное обучение , экспериментальную психологию и байесовскую статистику . Еще в 1860-х годах, благодаря работам Германа Гельмгольца в области экспериментальной психологии, способность мозга извлекать перцептивную информацию из сенсорных данных была смоделирована с точки зрения 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 авторами. Пьер-Симон Лаплас , Томас Байес , Гарольд Джеффрис , Ричард Кокс и Эдвин Джейнс разработали математические методы и процедуры для рассмотрения вероятности как степени правдоподобия, которая может быть присвоена данному предположению или гипотезе на основе имеющихся доказательств. [7] В 1988 году Эдвин Джейнс представил концепцию использования байесовской вероятности для моделирования психических процессов. [8] Таким образом, на раннем этапе стало понятно, что байесовская статистическая основа потенциально может привести к пониманию функций нервной системы.
Эта идея была подхвачена в исследованиях неконтролируемого обучения , в частности подхода «Анализ посредством синтеза», разделов 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, в том числе Питер Даян , Джеффри Хинтон и Ричард Земель, предположили, что мозг представляет знание о мире в терминах вероятностей, и сделали конкретные предложения по управляемым нейронным процессам, которые могли бы проявить такую машину Гельмгольца . [12] [13] [14]
Психофизика
[ редактировать ]Широкий спектр исследований интерпретирует результаты психофизических экспериментов в свете байесовских моделей восприятия. Многие аспекты перцептивного и двигательного поведения человека можно смоделировать с помощью байесовской статистики. Этот подход с упором на поведенческие результаты как высшее выражение нейронной обработки информации также известен моделированием сенсорных и моторных решений с использованием байесовской теории принятия решений. Примерами являются работы Лэнди , [15] [16] Джейкобс, [17] [18] Джордан, Нилл, [19] [20] Кординг и Вольперт, [21] [22] и Гольдрайх. [23] [24] [25]
Нейронное кодирование
[ редактировать ]Многие теоретические исследования задаются вопросом, как нервная система может реализовать байесовские алгоритмы. Примерами являются работы Пуже, Земеля, Денева, Латама, Хинтона и Даяна. Джордж и Хокинс опубликовали статью, в которой создается модель корковой обработки информации, называемая иерархической временной памятью , основанная 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
[ редактировать ]Ряд недавних электрофизиологических исследований сосредоточен на представлении вероятностей в нервной системе. Примерами являются работы Шадлена и Шульца.
Прогнозирующее кодирование
[ редактировать ]Прогнозирующее кодирование — это нейробиологически правдоподобная схема определения причин сенсорной информации, основанная на минимизации ошибки прогнозирования. [27] Эти схемы формально связаны с фильтрацией Калмана и другими байесовскими схемами обновления.
Бесплатная энергия
[ редактировать ]В 1990-х годах некоторые исследователи, такие как Джеффри Хинтон и Карл Фристон, начали изучать концепцию свободной энергии как поддающуюся вычислению меру несоответствия между реальными особенностями мира и представлениями этих особенностей, зафиксированных моделями нейронных сетей. [28] Недавно была предпринята попытка синтеза. [29] Карла Фристона , в котором байесовский мозг возникает из общего принципа минимизации свободной энергии . [30] В этом контексте и действие, и восприятие рассматриваются как следствие подавления свободной энергии, ведущее к перцептивному нарушению. [31] и активный вывод [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 сенсорными входными данными и предсказаниями этих входных данных. Это можно представить (в нейробиологически обоснованных терминах) как предсказательное 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 соответствии с ожиданиями, закодированными ее состоянием или конфигурацией. Система может минимизировать свободную энергию, изменяя свою конфигурацию, чтобы изменить способ отбора проб окружающей среды, или изменить свои ожидания. Эти изменения соответствуют действию и восприятию соответственно и приводят к адаптивному обмену с окружающей средой, характерному для биологических систем. Такая трактовка подразумевает, что состояние и структура системы кодируют неявную и вероятностную модель окружающей среды. " [33]
Эта область исследований была обобщена в терминах, понятных непрофессионалу, в статье 2008 года в журнале New Scientist , в которой была предложена объединяющая теория функций 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 расположение областей коры, рекуррентные архитектуры, использующие прямые и обратные связи, и функциональную асимметрию в этих связях. С точки зрения синаптической физиологии, он предсказывает ассоциативную пластичность, а для динамических моделей - пластичность, зависящую от времени спайка. С точки зрения электрофизиологии он учитывает классические и экстраклассические эффекты рецептивного поля, а также долголатентные или эндогенные компоненты вызванных корковых ответов. кодирует ошибку прогнозирования с помощью перцептивного обучения и объясняет многие явления, такие как подавление повторений, негативность несоответствия и P300 в электроэнцефалографии. В психофизических терминах он объясняет поведенческие корреляты этих физиологических явлений, например, прайминг и глобальное предшествование». [33]
«Довольно легко показать, что и перцептивный вывод, и обучение основаны на минимизации свободной энергии или подавлении ошибки прогнозирования». [33]
См. также
[ редактировать ]Ссылки
[ редактировать ]- ^ Что дальше? Предсказательный мозг, ситуативные агенты и будущее когнитивной науки. (2013). Поведенческие науки и науки о мозге Behav Brain Sci, 36(03), 181-204. дои : 10.1017/s0140525x12000477
- ^ Сандерс, Лаура (13 мая 2016 г.). «Байесовское рассуждение, связанное с некоторыми психическими расстройствами» . Новости науки . Проверено 20 июля 2016 г.
- ^ 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 издание (1 января 2007 г.)
- ^ Нилл Дэвид, Пуже Александр (2004), Байесовский мозг: роль неопределенности в нейронном кодировании и вычислениях, Тенденции в нейронауках, том 27, № 12, декабрь 2004 г.
- ^ Гельмгольц, Х. (1860/1962). Справочник по физиологической оптике (Саутхолл, JPC (ред.), англ. пер.), Том 3. Нью-Йорк: Дувр.
- ^ Вестхаймер, Г. (2008) Был ли Гельмгольц байесовцем?» Восприятие 39, 642–50
- ^ Джейнс, ET, 1986, «Байесовские методы: общие сведения», в книге «Максимальная энтропия и байесовские методы в прикладной статистике», JH Justice (ред.), Cambridge Univ. Пресс, Кембридж
- ^ Джейнс, ET, 1988, «Как мозг осуществляет правдоподобные рассуждения?», в книге « Максимальная энтропия и байесовские методы в науке и технике» , 1, Г. Дж. Эриксон и К. Р. Смит (ред.)
- ^ Гахрамани, З. (2004). Обучение без присмотра. У О. Буске, Г. Раеча и У. фон Люксбурга. (Ред.), Продвинутые лекции по машинному обучению. Берлин: Springer-Verlag.
- ^ Нейссер, У., 1967. Когнитивная психология. Эпплтон-Сентьюри-Крофтс, Нью-Йорк.
- ^ Фальман, С.Е., Хинтон, GE и Сейновски, TJ (1983). Массивно-параллельные архитектуры для ИИ: машины Netl, Thistle и Boltzmann. Материалы Национальной конференции по искусственному интеллекту, Вашингтон, округ Колумбия.
- ^ Даян, П., Хинтон, GE, и Нил, RM (1995). Машина Гельмгольца. Нейронные вычисления, 7, 889–904.
- ^ Даян, П. и Хинтон, GE (1996), Разновидности машин Гельмгольца, Нейронные сети, 9 1385–1403.
- ^ Хинтон, Дж. Э., Даян, П., То, А. и Нил Р. М. (1995), Машина Гельмгольца во времени., Фогельман-Соули и Р. Галлинари (редакторы) ICANN-95, 483–490.
- ^ Тассинари Х., Хадсон Т.Э. и Лэнди М.С. (2006). Объединение априорных сигналов и шумных визуальных сигналов в задаче на быстрое наведение » Journal of Neuroscience 26 (40), 10154–10163.
- ^ Хадсон Т.Э., Мэлони Л.Т. и Лэнди М.С. (2008). Оптимальная компенсация временной неопределенности при планировании движения . PLoS Вычислительная биология, 4 (7).
- ^ Джейкобс РА (1999). Оптимальная интеграция текстур и сигналов движения в глубину » Vision Research 39 (21), 3621–9.
- ^ Батталья П.В., Джейкобс Р.А. и Эслин Р.Н. (2003). Байесовская интеграция зрительных и слуховых сигналов для пространственной локализации . Журнал Оптического общества Америки, 20 (7), 1391–7.
- ^ Книлл, округ Колумбия (2005). Достижение визуальных сигналов глубины: мозг по-разному комбинирует сигналы глубины для моторного контроля и восприятия . Журнал Vision, 5 (2), 103:15.
- ^ Книлл, округ Колумбия (2007). Изучение байесовских априорных принципов восприятия глубины. Архивировано 21 ноября 2008 г. в Wayback Machine . Журнал Vision, 7 (8), 1–20.
- ^ Кердинг КП и Вольперт Д.М. (2004). Байесовская интеграция в сенсомоторном обучении . Природа , 427, 244–7.
- ^ Кердинг КП, Ку С и Вольперт ДМ (2004). Байесовское интегрирование в оценке силы » Журнал нейрофизиологии 92, 3161–5.
- ^ Гольдрейх, Д. (28 марта 2007 г.). «Байесовская модель восприятия воспроизводит кожного кролика и другие тактильные пространственно-временные иллюзии» . ПЛОС ОДИН . 2 (3): е333. Бибкод : 2007PLoSO...2..333G . дои : 10.1371/journal.pone.0000333 . ПМК 1828626 . ПМИД 17389923 .
- ^ Гольдрейх, Дэниел; Тонг, Джонатан (10 мая 2013 г.). «Прогнозирование, постдиктирование и сокращение длины восприятия: байесовский низкоскоростной априор фиксирует кожного кролика и связанные с ним иллюзии» . Границы в психологии . 4 (221): 221. doi : 10.3389/fpsyg.2013.00221 . ПМК 3650428 . ПМИД 23675360 .
- ^ Гольдрейх, Д; Петерсон, Массачусетс (2012). «Байесовский наблюдатель воспроизводит контекстные эффекты выпуклости при восприятии фигуры и фона». Видение и восприятие . 25 (3–4): 365–95. дои : 10.1163/187847612X634445 . ПМИД 22564398 . S2CID 4931501 .
- ^ Джордж Д., Хокинс Дж., 2009 «К математической теории кортикальных микросхем» PLoS Comput Biol 5 (10) e1000532. дои : 10.1371/journal.pcbi.1000532
- ^ Рао РПН, Баллард Д.Х. Прогнозирующее кодирование в зрительной коре: функциональная интерпретация некоторых экстраклассических эффектов рецептивного поля. Природная неврология. 1999. 2:79–87.
- ^ Хинтон, GE и Земель, RS (1994), Автоэнкодеры, минимальная длина описания и свободная энергия Гельмгольца . Достижения в области нейронных систем обработки информации 6. Дж. Д. Коуэн, Г. Тезауро и Дж. Альспектор (ред.), Морган Кауфманн: Сан-Матео, Калифорния.
- ^ Фристон К., Принцип свободной энергии: теория единого мозга? , Nat Rev Neurosci. 2010. 11:127–38.
- ^ Фристон К., Килнер Дж., Харрисон Л. Принцип свободной энергии для мозга , J Physiol Paris. 2006. 100:70–87.
- ^ Фристон К., Теория корковых реакций , Philos Trans R Soc Lond B Biol Sci. 2005. 360:815–36.
- ^ Фристон К.Дж., Даунизо Дж., Килнер Дж., Кибель С.Дж. Действие и поведение: формулировка свободной энергии , Biol Cybern. 2010. 102: 227–60.
- ^ Jump up to: а б с д Фристон К., Стефан К.Э., Свободная энергия и мозг , Синтез. 2007. 159: 417–458.
- ^ Хуан Грегори (2008), «Это единая теория мозга?» , Новый учёный . 23 мая 2008 г.
Внешние ссылки
[ редактировать ]- Универсальный дарвинизм - Карл Фристон. Архивировано 7 февраля 2020 г. в Wayback Machine.
