[논문 리뷰] How the brain might work: statistics flowing in redundant population codes

Xaq Pitkow, Dora E. Angelaki|arXiv (Cornell University)|2017. 02. 12.

Neural dynamics and brain function참고 문헌 90인용 수 3

한 줄 요약

이 논문은 뇌가 재귀 신경망 내의 부족한 집단 코드에 대해 작용하는 메시지 전달 알고리즘을 통해 확률적 추론을 수행한다고 제안한다. 충분 통계량과 그래픽 모델의 관점에서 신경 계산을 재구성함으로써, 집단 수준의 활동이 통계 정보를 표현하고 변환할 수 있음을 보여주며, 불확실성 하에서의 인지에 대해 생물학적으로 타당한 메커니즘을 제공한다.

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.

연구 동기 및 목표

• 모호한 감각 자극에서 뇌가 근사적인 확률적 추론을 어떻게 수행할 수 있는지 설명하는 것.
• 그래픽 모델과 메시지 전달 알고리즘과 같은 이론적 프레임워크를 생물학적 신경 회로와 연결하는 것.
• 재귀 네트워크 내의 부족한 집단 코드가 충분 통계량을 어떻게 표현하고 전달할 수 있는지 규명하는 것.
• 자연스러운 행동 중의 대규모 신경 활동 패턴이 핵심 계산 원리를 드러내는 데 필수적이라는 것을 입증하는 것.
• 집단 수준의 정보 흐름이 뇌의 통계 계산을 드러내는 프레임워크를 제안하는 것.

제안 방법

• 확률적 그래픽 모델과 메시지 전달 알고리즘을 신경 집단 코드에 적응시킴.
• 비선형 재귀 동역학을 통해 신경 집단을 감각 입력의 충분 통계량을 나타내는 것으로 모델링함.
• 신경 활동 내의 통계 정보의 강건성과 해석 가능성 확보를 위해 부족한 코딩을 사용함.
• 합-곱 알고리즘을 집단 수준의 변수에 적용하여 신경 집단을 확률적 노드로 간주함.
• 재귀 연결성이 감각 데이터의 은폐 원인에 대한 믿음의 반복적 개선을 가능하게 함을 분석함.
• 정보가 개별 뉴런이 아닌 집단을 통해 충분 통계량으로 흐름을 유도함을 제안함.

실험 결과

연구 질문

• RQ1 재귀 신경망은 집단 코드를 사용하여 어떻게 확률적 추론을 구현할 수 있는가?
• RQ2 부족한 신경 코드는 집단 수준에서 통계 계산의 해석 가능성에 어떤 역할을 하는가?
• RQ3 메시지 전달 알고리즘은 어떻게 신경 회로 동역학에 매핑될 수 있는가?
• RQ4 어떤 종류의 신경 활동 패턴이 뇌 계산의 가장 중요한 측면을 드러내는가?
• RQ5 인지 과정 중에 충분 통계량은 어떻게 생성되고 신경 집단을 통해 흐르는가?

주요 결과

• 부족한 집단 코드는 뇌가 감각 입력의 충분 통계량을 신뢰성 있게 표현하고 전달할 수 있도록 한다.
• 집단에 대해 작용하는 메시지 전달 알고리즘은 생물학적으로 타당한 방식으로 근사 베이지안 추론을 수행할 수 있다.
• 가장 해석 가능한 정보 흐름은 특히 부족한 코드에서 집단 수준에서 발생한다.
• 재귀 연결성은 충분 통계량을 사용하여 은폐 원인에 대한 믿음의 반복적 개선을 가능하게 한다.
• 자연스러운 행동 중의 대규모 활동 패턴은 신경 회로의 핵심 계산 논리 구조를 드러내는 데 필수적이다.
• 이 프레임워크는 확률적 추론, 신경 코딩, 네트워크 동역학을 연결하는 통합적 시각을 제공한다.