베이지안식 뇌기능 접근법

Bayesian approaches to brain function

베이지안적 뇌기능 접근법은 베이지안 통계에서 규정한 최적치에 가까운 방식으로 불확실성 상황에서 작동할 신경계통의 용량을 조사한다.[1][2] 이 용어는 행동과학과 신경과학에 사용되며, 이 용어와 관련된 연구는 종종 통계 원리에 기초하여 뇌의 인지 능력을 설명하려고 노력한다. 베이지안 확률에 근접한 방법을 사용하여 감각 정보의 신경 처리에 의해 갱신되는 내부 확률론적 모델을 신경계가 유지한다고 종종 가정한다.[3][4]

오리진스

이 연구 분야는 머신러닝, 실험 심리학, 베이시안 통계학 등 수많은 학문에 역사적 뿌리를 두고 있다. 1860년대 초기에 헤르만 헬름홀츠의 실험 심리학 연구로 감각 데이터에서 지각 정보를 추출하는 두뇌의 능력을 확률적 추정의 관점에서 모델링했다.[5][6] 기본적인 생각은 신경계가 감각 데이터를 외부 세계의 정확한 내부 모델로 정리할 필요가 있다는 것이다.

베이지안 확률은 많은 중요한 기여자들에 의해 개발되었다. Pierre-Simon Laplace, Thomas Bayes, Harold Jeffreys, Richard Cox 및 Edwin Jaynes는 가용한 증거에 기초하여 주어진 가정이나 가설에 할당될 수 있는 신뢰성 정도로서 확률을 다루기 위한 수학적 기법과 절차를 개발했다.[7] 1988년 에드윈 제이네스는 베이지안 확률을 사용하여 정신 과정을 모델링하는 프레임워크를 제시했다.[8] 따라서 베이지안 통계 프레임워크가 신경계의 기능에 대한 통찰력을 이끌어낼 수 있는 잠재력을 가지고 있다는 것이 일찍부터 실현되었다.

이 아이디어는 감독되지 않은 학습, 특히 기계학습의 분과인 합성에 의한 분석 접근에 관한 연구에 채택되었다.[9][10] 1983년 제프리 힌튼과 동료들은 뇌가 외부 세계의 불확실성에 근거한 결정을 내리는 기계로 보일 수 있다고 제안했다.[11] 피터 다얀, 제프리 힌튼, 리처드 제멜 등 1990년대 연구자들은 뇌가 확률 면에서 세계의 지식을 대표한다고 제안했고, 그러한 헬름홀츠 기계를 나타낼 수 있는 트랙터블 신경 과정에 대한 구체적인 제안을 했다.[12][13][14]

정신물리학

참고 항목: 바이에시안적 추론

광범위한 연구는 베이지안 지각 모델에 비추어 정신물리학적 실험의 결과를 해석한다. 베이지안 통계로 인간의 지각과 운동 행동의 많은 측면을 모델링할 수 있다. 이 접근방식은 신경 정보 처리의 궁극적인 표현으로 행동 결과를 강조하면서 베이시안 의사결정 이론을 이용한 감각 및 운동 결정 모델로도 알려져 있다. 랜디,[15][16] 제이콥스,[17][18] 요르단, 크닐,[19][20] 코딩과 월퍼트,[21][22] 골드레이치의 작품이 대표적이다.[23][24][25]

신경 부호화

많은 이론적 연구들은 신경계가 어떻게 베이시안 알고리즘을 구현할 수 있는지에 대해 질문한다. 푸젯, 제멜, 드네브, 라담, 힌튼, 다얀의 작품이 대표적이다. 조지와 호킨스는 마르코프 체인의 베이시안 네트워크를 기반으로 하는 계층적 시간적 기억이라고 불리는 피질적 정보 처리의 모델을 확립하는 논문을 발표했다. 그들은 이 수학적 모델을 피질의 구조에 대한 기존의 지식으로 더 나아가서 뉴런들이 어떻게 계층적 베이시안 추론에 의해 패턴을 인식할 수 있는지를 보여준다.[26]

전기생리학

최근의 많은 전기생리학 연구는 신경계에서의 확률의 표현에 초점을 맞추고 있다. 샤들렌과 슐츠의 작품이 대표적이다.

예측 부호화

예측 코딩은 예측 오류를 최소화하여 감각 입력의 원인을 추론하기 위한 신경생물학적으로 타당한 계획이다.[27] 이러한 계획은 공식적으로 Kalman 필터링 및 기타 Bayesian 업데이트 계획과 관련이 있다.

자유 에너지

1990년대 동안 제프리 힌튼과 칼 프리스톤과 같은 일부 연구자들은 세계의 실제 특징과 신경 네트워크 모델에 의해 포착된 그러한 특징들의 표현 사이의 차이를 계산적으로 다루기 쉬운 척도로서 자유 에너지의 개념을 연구하기 시작했다.[28] 최근[29] 칼 프리스톤에 의해 합성이 시도되고 있는데, 이 합성법은 베이지안 두뇌가 자유 에너지 최소화의 일반적인 원칙에서 나온다.[30] 이 틀에서 작용과 지각 모두 자유 에너지를 억압한 결과로서, 지각과[31] 능동적 추론[32], 그리고 베이시안 두뇌에 대한 보다 구체화된 (활성화된) 관점으로 이어진다. 가변 베이지안 방법을 사용하면 자유 에너지 또는 그 입력의 감각 입력과 예측 사이의 불일치를 최소화하기 위해 감각 정보에 의해 세계의 내부 모델이 어떻게 업데이트되는지를 보여줄 수 있다. 이것은 (신경생물학적으로 그럴듯한 용어로) 예측 코딩 또는 보다 일반적으로 베이지안 필터링으로 주조될 수 있다.

프리스톤에 따르면:[33]

"여기서 고려되는 자유 에너지는 환경과의 어떤 교환에도 내재된 놀라움에 대한 경계를 나타내며, 그것의 상태나 구성에 의해 암호화되는 기대치를 나타낸다. 시스템은 환경 샘플링 방식을 변경하거나 기대치를 변경하기 위해 구성을 변경함으로써 자유 에너지를 최소화할 수 있다. 이러한 변화는 각각 행동과 인식에 대응하며, 생물학적 시스템의 특징인 환경과의 적응적 교환으로 이어진다. 이 치료법은 시스템의 상태와 구조가 환경의 암묵적이고 확률적인 모델을 인코딩한다는 것을 암시한다."[33]

이 연구 분야는 2008년 뉴 사이언티스트 기고에서 일반인이 이해할 수 있는 용어로 요약되어 뇌 기능의 통일 이론을 제시했다.[34] 프리스톤은 이론의 설명력에 대해 다음과 같은 주장을 한다.

"이 뇌 기능의 모델은 뇌 시스템의 광범위한 해부학적, 생리학적 측면을 설명할 수 있다. 예를 들어 피질 영역의 계층적 배치, 전방과 후방 연결을 사용하는 반복 아키텍처, 그리고 이러한 연결에서 기능적 비대칭성을 사용한다. 시냅스 생리학 측면에서 연관성 있는 가소성을 예측하고 동적 모델의 경우 스파이크 타이밍에 의존하는 가소성을 예측한다. 전기생리학의 관점에서 그것은 고전적 및 초유전적 수용적 현장 효과와 야기된 피질 반응의 장기적 지연성 또는 내생적 구성요소를 설명한다. 지각 학습과 함께 예측 오류를 인코딩하는 반응의 감쇠를 예측하고 반복 억제, 불일치 부조화, 뇌전술의 P300과 같은 많은 현상을 설명한다. 심리물리학적 용어로, 이러한 생리적 현상의 행동적 상관관계(예: 프라이밍(priming) 및 글로벌 우선(global priority)를 설명한다."[33]

"지각적 추론과 학습 모두 자유 에너지의 최소화나 예측 오류의 억제에 안주한다는 것을 보여주는 것은 꽤 쉽다."[33]

참고 항목

참조

  1. ^ 다음엔? 예측 두뇌, 위치하는 요원, 그리고 인지 과학의 미래. (2013). 행동 및 뇌과학 작용 뇌과학, 36(03), 181-204. doi:10.1017/s0140525x12000477
  2. ^ Sanders, Laura (May 13, 2016). "Bayesian reasoning implicated in some mental disorders". Science News. Retrieved 20 July 2016.
  3. ^ 도야 겐지(편집자), 이시이 신(편집자), 알렉상드르 푸겟(편집자), 라제시 P. N. 라오(편집자)(2007), 베이시안 브레인: 확률론적 신경 코딩 접근, MIT 프레스; 1판(2007년 1월 1일)
  4. ^ 크닐 데이비드, 푸젯 알렉산드르(2004) 베이시안 뇌: 신경 코딩과 계산에서 불확실성의 역할, 신경과학의 경향 제27권 2004년 12월 12일
  5. ^ 헬름홀츠, H. (1860/1962) Handbuch der Physichen optik (Southall, J. P. C. (Ed.), English trans.), 3권. 뉴욕: 도버.
  6. ^ 웨스트하이머, G. (2008) 헬름홀츠는 베이시안이었나?" 인식 39, 642–50
  7. ^ Jaynes, E. T., 1986년 'Bayesian Methods: General Background', 응용 통계에서 Maximum-Entropy 및 Bayesian Methods in Applied Statistics, J. H. Justice(편집), Cambridge Univ. 케임브리지 주, 프레스
  8. ^ Jaynes, E. T., 1988년, 과학 및 엔지니어링의 최대 엔트로피 및 베이시안 방법 1, G. J. Ericson 및 C. R. Smith(에드)에서 "뇌가 어떻게 그럴듯한 추론을 하는가?"
  9. ^ 가흐라마니, Z. (2004) 감독받지 못한 학습. O. Bousquet, G. Raetch, & U. von Luxburg (Eds)에서는 기계학습에 관한 고급 강의가 있다. 베를린: 스프링거-베를라크.
  10. ^ 네이서, 1967년 인지심리학. 뉴욕 주 애플턴 센츄리-크로프트스.
  11. ^ Fahlman, S.E., Hinton, G.E., 그리고 Sejnowski, T.J.(1983). A를 위한 대규모 병렬 아키텍처I.: Netl, Thistle, Boltzmann 기계. 워싱턴 DC의 인공지능에 관한 전국회의의 의사진행.
  12. ^ 다얀, P, 힌튼, G. E, & Neal, R. M. (1995) 헬름홀츠 기계. 신경 연산 7, 889–904.
  13. ^ 다얀, P, 힌튼, G. E. (1996), 헬름홀츠 기계의 품종, 뉴럴 네트워크, 9 1385–1403.
  14. ^ Hinton, G. E., Dayan, P, To, A., Neal R. M. (1995) Hinton, G. E. Dayan, P, To, A., Neal R. M., Helmholtz machine, The Helmholtz machine, 포겔만-술리와 R. 갈리나리(편집자) ICANN-95, 483–490
  15. ^ 타시나리 H, 허드슨 TE & 랜디 MS (2006) "신속한 지적 작업"에 사전 정보와 시끄러운 시각 신호를 결합한 "신경과학 저널 26(40), 10154–10163.
  16. ^ Hudson TE, Maloney LT & Landy MS. (2008) 이동 계획의 일시적 불확실성에 대한 최적의 보상. PLoS 연산 생물학, 4(7)
  17. ^ 제이콥스 RA(1999년). 텍스처와 동작 신호를 심도에 최적으로 통합" Vision Research 39(21), 3621–9.
  18. ^ Battaglia PW, Jacobs RA & Aslin RN (2003) 공간 지역화를 위한 시각 및 청각 신호의 베이지안적 통합. 미국 광학 협회 저널, 20(7), 1391–7.
  19. ^ 크닐 DC(2005년). 시각 신호의 깊이에 도달하기: 뇌는 운동 조절과 지각에 있어 깊이 단서가 다르게 결합된다. Journal of Vision, 5(2), 103:15.
  20. ^ 크닐 DC(2007년). 깊이 인식에 대한 베이지안 사전 학습 2008-11-21을 웨이백 머신에 보관. Journal of Vision, 7(8), 1-20.
  21. ^ Koerding KP & Wolpert DM (2004년). 센서리모터 학습에서 베이지안 통합. 네이처, 427, 244–7
  22. ^ Koerding KP, Ku S & Wolpert DM(2004). 힘 추정에 있어서의 베이지안 통합" 신경생리학 저널 92, 3161–5.
  23. ^ Goldreich, D (Mar 28, 2007). "A Bayesian perceptual model replicates the cutaneous rabbit and other tactile spatiotemporal illusions". PLOS ONE. 2 (3): e333. doi:10.1371/journal.pone.0000333. PMC 1828626. PMID 17389923.
  24. ^ Goldreich, Daniel; Tong, Jonathan (10 May 2013). "Prediction, Postdiction, and Perceptual Length Contraction: A Bayesian Low-Speed Prior Captures the Cutaneous Rabbit and Related Illusions". Frontiers in Psychology. 4 (221): 221. doi:10.3389/fpsyg.2013.00221. PMC 3650428. PMID 23675360.
  25. ^ Goldreich, D; Peterson, MA (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. S2CID 4931501.
  26. ^ 조지 D, 호킨스 J, 2009년 피질 마이크로 회로의 수학적 이론을 향하여" PLoS Compute Biol 5(10) e1000532. doi:10.1371/190.pcbi.1000532
  27. ^ Rao RPN, Ballard DH. 시각 피질에서의 예측 코딩: 어떤 특유한 수용 필드 효과의 기능적 해석. 자연 신경과학. 1999. 2:79–87
  28. ^ 힌튼, G. E.와 제멜, R. S.(1994), 오토엔코더, 최소 설명 길이, 헬름홀츠 자유 에너지. 신경 정보 처리 시스템의 발전 6. J. D. 코완, G. 테사우로와 J. 알스펙터(Eds), 모건 카우프만: 산 마테오, CA.
  29. ^ 프리스톤 K, 자유 에너지 원리: 통일된 두뇌 이론?, 나트 노이로시 신부. 2010. 11:127–38
  30. ^ 프리스톤 K, 킬너 J, 해리슨 L. 뇌를 위한 자유 에너지 원리 J 물리올 파리. 2006. 100:70–87
  31. ^ Friston K, 피질 반응의 이론, Philos Trans R Soc Lond B B Biol Sci. 2005. 360:815–36.
  32. ^ 프리스톤 KJ, Daunizau J, Kilner J, Kiebel SJ. 행동과 행동: 자유 에너지 공식, Biol Cybern. 2010. 102:227–60
  33. ^ Jump up to: a b c d 프리스톤 K, 스테판 KE, 자유 에너지와 두뇌, 신디센스. 2007. 159:417–458
  34. ^ Huang Gregory(2008), "이것이 통합 뇌 이론인가?", 새로운 과학자. 2008년 5월 23일.

외부 링크