Anar al contingut

Enfocaments bayesianos de la funció cerebral

De L'Enciclopèdia, la wikipedia en valencià

Els enfocaments bayesianos de la funció cerebral investiguen la capacitat del sistema nerviós per a operar en situacions d'incertitut d'un modo propenc a l'òptim prescrit per l'estadística bayesiana.[1][1] Este terme s'utilisa en les ciències del comportament i la neurociencia, i els estudis associats a ell solen tractar d'explicar les capacitats cognitives del cervell basant-se en principis estadístics. Se sol supondre que el sistema nerviós manté models provabilístics interns que s'actualisen per mig del processament neuronal de l'informació sensorial utilisant métodos que s'aproximen als de la provabilitat bayesiana.[2][3]

Orígens

[editar | editar còdic]

Este camp d'estudi té les seues raïls històriques en numeroses disciplines, com l'aprenentage automàtic, la psicologia experimental i l'estadística bayesiana. Ya en la década de 1860, en els treballs d'Hermann Helmholtz en psicologia experimental, la capacitat del cervell per a extraure informació perceptiva de les senyes sensorials es modelizó en térmens d'estimació provabilística.[4][5] L'idea bàsica és que el sistema nerviós necessita organisar les senyes sensorials en un model intern precís del món exterior.

La provabilitat bayesiana ha segut desenrollada per molts colaboradors importants. Pierre-Simon Laplace, Thomas Bayes, Harold Jeffreys, Richard Cox i Edwin Jaynes varen desenrollar tècniques i procediments matemàtics per a tractar la provabilitat com el grau de verosimilitut que podria assignar-se a una suposició o hipòtesis donada basant-se en les proves disponibles.[6] En 1988, Edwin Jaynes va presentar un marc per a utilisar la provabilitat bayesiana per a modelizar els processos mentals.[7] Aixina, des del principi es va comprendre que el marc estadístic bayesiano tenia el potencial de conduir a coneiximents sobre la funció del sistema nerviós.


Esta idea es va reprendre en l'investigació sobre l'aprenentage no supervisat, en particular l'enfocament d'anàlisis per síntesis, branques de l'aprenentage automàtic.[8][9] En 1983, Geoffrey Hinton i els seus companyers varen propondre vore el cervell com una màquina que pren decisions basant-se en les incertituts del món exterior.[10] En la década de 1990, investigadors com Peter Dayan, Geoffrey Hinton i Richard Zemel varen propondre que el cervell representa el coneiximent del món en térmens de provabilitats i varen fer propostes concretes de processos neuronals manejables que podrien manifestar una màquina de Helmholtz d'este tipo.[11][12][13]

Psicofísica

[editar | editar còdic]

Una àmplia gama d'estudis interpreta els resultats d'experiments psicofísicos a la llum de models perceptivos bayesianos. Molts aspectes del comportament perceptivo i motor humà poden modelar-se en l'estadística bayesiana. Este enfocament, en el seu émfasis en els resultats conductuales com a expressions últimes del processament neuronal de l'informació, també és conegut per modelar decisions sensorials i motores utilisant la teoria bayesiana de la decisió. Alguns eixemples són els treballs de Landy,[14][15] Jacobs,[16][17] Jordan, Knill,[16][16] Kording i Wolpert,[18][18] i Goldreich.[19][19][20]

Vore també

[editar | editar còdic]

Referències

[editar | editar còdic]
  1. ↑ 1,0 1,1 Whatever next? Predictive brains, situated agents, and the future of cognitive science. (2013). Behavioral and Brain Sciences Behav Brain Sci, 36(03), 181-204. doi:10.1017/s0140525x12000477
  2. ↑ Kenji Doya (Editor), Shin Ishii (Editor), Alexandre Pouget (Editor), Rajesh P. N. Rao (Editor) (2007), Bayesian Brain: Probabilistic Approaches to Neural Coding, The MIT Press; 1 edition (Jan 1 2007)
  3. ↑ Knill David, Pouget Alexandre (2004), The Bayesian brain: the role of uncertainty in neural coding and computation, Trends in Neurosciences Vol.27 No.12 December 2004
  4. ↑ Helmholtz, H. (1860/1962). Handbuch der physiologischen optik (Southall, J. P. C. (Ed.), English trans.), Vol. 3. New York: Dover.
  5. ↑ Westheimer, G. (2008) Was Helmholtz a Bayesian?" Perception 39, 642–50
  6. ↑ Jaynes, E. T., 1986, 'Bayesian Methods: General Background,' in Maximum-Entropy and Bayesian Methods in Applied Statistics, J. H. Justice (ed.), Cambridge Univ. Press, Cambridge
  7. ↑ Jaynes, E. T., 1988, 'How Does the Brain Do Plausible Reasoning?', in Maximum-Entropy and Bayesian Methods in Science and Engineering, 1, G. J. Erickson and C. R. Smith (eds.)
  8. ↑ Ghahramani, Z. (2004). Unsupervised learning. In O. Bousquet, G. Raetsch, & U. von Luxburg (Eds.), Advanced lectures on machine learning. Berlin: Springer-Verlag.
  9. ↑ Neisser, U., 1967. Cognitive Psychology. Appleton-Century-Crofts, New York.
  10. ↑ Fahlman, S.E., Hinton, G.E. and Sejnowski, T.J.(1983). Massively parallel architectures for A.I.: Netl, Thistle, and Boltzmann machines. Proceedings of the National Conference on Artificial Intelligence, Washington DC.
  11. ↑ Dayan, P., Hinton, G. E., & Neal, R. M. (1995). The Helmholtz machine. Neural Computation, 7, 889–904.
  12. ↑ Dayan, P. and Hinton, G. E. (1996), Varieties of Helmholtz machines, Neural Networks, 9 1385–1403.
  13. ↑ Hinton, G. E., Dayan, P., To, A. and Neal R. M. (1995), The Helmholtz machine through clave., Fogelman-Soulie and R. Gallinari (editors) ICANN-95, 483–490
  14. ↑ Tassinari H, Hudson TE & Landy MS. (2006). Combining priors and noisy visual cues in a rapid pointing task" Journal of Neuroscience 26(40), 10154–10163.
  15. ↑ Hudson TE, Maloney LT & Landy MS. (2008). Optimal compensation for temporal uncertainty in movement planning. PLoS Computational Biology, 4(7).
  16. ↑ 16,0 16,1 16,2 Knill DC (2005). Reaching for visual cues to depth: The brain combines depth cues differently for motor control and perception. Journal of Vision, 5(2), 103:15.
  17. ↑ Battaglia PW, Jacobs RA & Aslin RN (2003). Bayesian integration of visual and auditory signals for spatial localization. Journal of the Optical Society of America, 20(7), 1391–7.
  18. ↑ 18,0 18,1 Koerding KP & Wolpert DM (2004). Bayesian integration in sensorimotor learning. Nature, 427, 244–7.
  19. ↑ 19,0 19,1 Goldreich, D. “A Bayesian perceptual model replicates the cutaneous rabbit and other tactile spatiotemporal illusions.”. PLOS ONE 2 (3): i333. doi:10.1371/journal.posa.0000333. PMID 17389923. Bibcode: 2007PLoSO...2..333G.
  20. ↑ Goldreich, D (2012). “A Bayesian observer replicates convexity context effects in figure-ground perception.”. Seeing and Perceiving 25 (3–4): 365–95. doi:10.1163/187847612X634445. PMID 22564398.


Obtingut de «https://www.lenciclopedia.org/w/index.php?title=Enfocaments_bayesianos_de_la_funció_cerebral&oldid=821927»