[論文レビュー] How the brain might work: statistics flowing in redundant population codes

Xaq Pitkow, Dora E. Angelaki|arXiv (Cornell University)|Feb 12, 2017

Neural dynamics and brain function参考文献 90被引用数 3

ひとこと要約

本論文は、再帰的ニューラルネットワークにおける冗長なパーソナライズドコード上で動作するメッセージスレッディングアルゴリズムを通じて、脳が確率的推論を実行すると提案している。十分統計量とグラフィカルモデルの観点から神経計算を定式化することで、集団レベルの活動が統計的情報を表現・変換できることを示し、不確実性下での知覚の生物学的に妥当なメカニズムを提示する。

ABSTRACT

It is widely believed that the brain performs approximate probabilistic inference to estimate causal variables in the world from ambiguous sensory data. To understand these computations, we need to analyze how information is represented and transformed by the actions of nonlinear recurrent neural networks. We propose that these probabilistic computations function by a message-passing algorithm operating at the level of redundant neural populations. To explain this framework, we review its underlying concepts, including graphical models, sufficient statistics, and message-passing, and then describe how these concepts could be implemented by recurrently connected probabilistic population codes. The relevant information flow in these networks will be most interpretable at the population level, particularly for redundant neural codes. We therefore outline a general approach to identify the essential features of a neural message-passing algorithm. Finally, we argue that to reveal the most important aspects of these neural computations, we must study large-scale activity patterns during moderately complex, naturalistic behaviors.

研究の動機と目的

• 曖昧な感覚入力から脳が近似的な確率的推論をどのように行うかを説明すること。
• グラフィカルモデルやメッセージスレッディングの理論的枠組みと生物学的神経回路を橋渡しすること。
• 再帰的ネットワークにおける冗長なパーソナライズドコードが十分統計量をどのように表現・伝達できるかを特定すること。
• 自然主義的行動中の大規模な神経活動パターンが、コアな計算原理を解明するために不可欠であることを主張すること。
• 集団レベルの情報フローが脳の統計的計算を明らかにするフレームワークを提唱すること。

提案手法

• 確率的グラフィカルモデルとメッセージスレッディングアルゴリズムを神経集団コードに適応する。
• 非線形再帰的ダイナミクスを通じて、神経集団を感覚入力の十分統計量を表すものとしてモデル化する。
• 冗長コーディングを用いることで、神経活動における統計的情報のロバスト性と解釈可能性を確保する。
• 和積アルゴリズムを集団レベルの変数に適用し、神経集団を確率的ノードとして扱う。
• 再帰的接続性が感覚データにおける隠れた原因に関する信念の反復的精錬を可能にする仕組みを分析する。
• 情報が個々のニューロンではなく、集団を越えて十分統計量として流れることを提唱する。

実験結果

リサーチクエスチョン

• RQ1 再帰的ニューラルネットワークは、どのようにパーソナライズドコードを用いて確率的推論を実装できるか？
• RQ2 冗長な神経コードは、集団レベルでの統計的計算の解釈可能性をどのように高めるか？
• RQ3 メッセージスレッディングアルゴリズムは、神経回路ダイナミクスにどのようにマッピングできるか？
• RQ4 どのような神経活動パターンが脳計算の最も重要な側面を示すか？
• RQ5 知覚の過程で十分統計量はどのように生成され、神経集団を渡って流れ出すか？

主な発見

• 冗長なパーソナライズドコードにより、脳は感覚入力の十分統計量を信頼性高く表現・伝達できる。
• 集団上で動作するメッセージスレッディングアルゴリズムは、生物学的に妥当な方法で近似的ベイズ推論を実行できる。
• 最も解釈可能な情報フローは、特に冗長コードにおいて集団レベルで発生する。
• 再帰的接続性により、十分統計量を用いて隠れた原因に関する信念を反復的に精錬できる。
• 自然主義的行動中の大規模な活動パターンは、神経回路のコアな計算論的論理を解明するために不可欠である。
• 本フレームワークは、確率的推論、神経コーディング、ネットワークダイナミクスを統合する視点を提供する。