[論文レビュー] What does the free energy principle tell us about the brain?

Samuel J. Gershman|arXiv (Cornell University)|Jan 23, 2019

Neuroscience, Education and Cognitive Function被引用数 5

ひとこと要約

この論文は、脳機能の統合的枠組みとしての自由エネルギー原理（FEP）を明確にし、特定の仮定のもとでベイズ推論、予測コーディング、アクティブインファレンスに還元されることを示している。FEPの特異的予測は、正確な事後分布推論、決定論的結果、または利得—対数尤度対応といった標準モデルからの逸脱がある場合にのみ現れ、これにより代替理論との誤検出可能な区別が可能になる。

ABSTRACT

The free energy principle has been proposed as a unifying account of brain function. It is closely related, and in some cases subsumes, earlier unifying ideas such as Bayesian inference, predictive coding, and active learning. This article clarifies these connections, teasing apart distinctive and shared predictions.

研究の動機と目的

• 自由エネルギー原理（FEP）の理論的主張を明確にし、ベイズ推論や予測コーディングといった関連理論と区別する。
• FEPが一見自明な原理ではなく、独自で誤検出可能な予測を下すために必要な特定の仮定を同定する。
• 仮定の分解と検証可能な神経的・行動的予測との関連付けにより、FEPの実証的信頼性を評価する。
• FEPが情報利得ポリシー やベイズ意思決定理論といった標準モデルからどのように逸脱するかの条件を評価する。
• FEPの特異的貢献が、正確な推論や利得—対数尤度対応といった仮定が破られる場合にのみ現れることを示す。

提案手法

• 生成モデル、変分推論、自由エネルギー最小化というFEPの核心的要素を分析することで、FEPを解体する。
• ベイズの定理 $ p(s|o) = \frac{p(o|s)p(s)}{p(o)} $ を用いて、変分族に正確な事後分布が含まれる場合にFEPとベイズ脳仮説が等価であることを示す。
• 制限された変分族と特定の最適化スキームのもとで、予測コーディングがFEPの特殊なケースとして生じることを分析する。
• 期待自由エネルギー $ \mathcal{G} $ を用いてアクティブインファレンスを検討し、確率的 vs 決定論的結果の下で情報利得 $ \mathcal{I} $ と対比する。
• 計画を推論として解釈する枠組みを適用し、利得を対数事前確率 $ u(o) = \log p(o|\pi) $ として解釈することで、FEPとベイズ意思決定理論を結びつける。
• Kullback-Leibler発散 $ \mathcal{D}[p(s|o,\pi) \| p(s|\pi)] $ を用いて、アクティブインファレンスにおける情報利得と認識的価値を形式化する。

実験結果

リサーチクエスチョン

• RQ1 自由エネルギー原理がベイズ脳仮説とはどのように異なる予測を下すのか、どのような条件下か？
• RQ2 予測コーディングが自由エネルギー原理の結果として生じるのはいつか、どのような仮定が必要か？
• RQ3 観察が確率的である場合、アクティブインファレンスは純粋な情報利得ポリシーとどのように異なるか？
• RQ4 FEPが標準的なベイズ意思決定理論からどのように逸脱するか、その状況と実証的含意は何か？
• RQ5 FEPの計画を推論として解釈する枠組みは、ベイズ意思決定理論の表記的変種にすぎないのか、それともどのような状況で新規の予測を生じるのか？

主な発見

• 変分族に正確な事後分布が含まれる場合、自由エネルギーの最小化は正確なベイズ推論と等価となり、FEPは受動的観測設定ではベイズ脳仮説と区別できない。
• 予測コーディングは、変分族の特定の制限と特定の最適化スキームが成立する場合にのみ生じる。FEPの一般的結果ではない。
• アクティブインファレンスにおいて、事後分布が正確でかつ結果が決定論的である場合、FEPは情報利得ポリシーに還元されるが、確率的結果の下では、情報利得だけでは捉えきれないリスク回避行動を誘発する。
• 利得を対数事前確率として解釈する場合、FEPは計画を推論に還元し、ベイズ的利得最大化の一種となる。その結果、予測は標準的なベイズ意思決定理論と区別できない。
• FEPが独自の予測を下すのは、利得が対数確率に対応しない場合、またはアルゴリズム的近似や神経的実装が標準モデルと異なる場合に限られる。
• 理論の実証的検証可能性は、生成モデルの構造、変分近似の品質、行動—結果の依存関係の性質といった、その根拠となる仮定の検証に依存する。