[论文解读] Chance, long tails, and inference: a non-Gaussian, Bayesian theory of vocal learning in songbirds

Baohua Zhou, D. J. Hofmann+3 more|arXiv (Cornell University)|Jul 23, 2017

Animal Vocal Communication and Behavior参考文献 62被引用 18

一句话总结

本文提出了一种非高斯、贝叶斯的鸣禽感觉运动学习理论，其中动物学习的是整个运动指令的概率分布，而非单一最优输出。通过使用重尾（幂律）分布对斑胁镇伶的音高可变性进行建模，并结合递归贝叶斯推断，该理论解释了为何大而突然的错误会抑制学习，而渐进式错误则不会，并预测了在适应过程中音高分布形状的实验验证动力学。

ABSTRACT

Traditional theories of sensorimotor learning posit that animals use sensory error signals to find the optimal motor command in the face of Gaussian sensory and motor noise. However, most such theories cannot explain common behavioral observations, for example that smaller sensory errors are more readily corrected than larger errors and that large abrupt (but not gradually introduced) errors lead to weak learning. Here we propose a new theory of sensorimotor learning that explains these observations. The theory posits that the animal learns an entire probability distribution of motor commands rather than trying to arrive at a single optimal command, and that learning arises via Bayesian inference when new sensory information becomes available. We test this theory using data from a songbird, the Bengalese finch, that is adapting the pitch (fundamental frequency) of its song following perturbations of auditory feedback using miniature headphones. We observe the distribution of the sung pitches to have long, non-Gaussian tails, which, within our theory, explains the observed dynamics of learning. Further, the theory makes surprising predictions about the dynamics of the shape of the pitch distribution, which we confirm experimentally.

研究动机与目标

• 解决传统高斯感觉运动学习模型无法解释为何大而突然的感官误差会降低学习效率，而渐进引入的误差则不会的问题。
• 发展一种理论，其中大脑学习并更新运动指令的完整概率分布，而非仅追求单一最优指令。
• 检验非高斯、重尾分布是否能够解释斑胁镇伶发声适应中观察到的非线性动力学。
• 利用真实实验中实时音高偏移听觉反馈的数据验证该模型。
• 证明学习动力学取决于行为分布的形状，而不仅仅是平均误差。

提出的方法

• 该模型使用递归贝叶斯推断，基于感官反馈更新运动指令的先验分布，其中似然函数由观测到的音高误差推导得出。
• 假设运动指令（歌曲音高）的分布是非高斯的，具体为幂律尾部，以捕捉实验数据中观察到的重尾分布特征。
• 似然函数被建模为两种感官模态的乘积：一种为音高偏移（实验扰动），另一种为无偏移（基线反馈），从而在重尾条件下产生双峰似然。
• 先验通过贝叶斯规则递归更新，时间演化通过与增加不确定性的核函数进行卷积来建模。
• 该模型预测了学习过程中音高分布形状的变化，包括在大误差下出现双峰性。
• 该理论通过使用真实实验中基于微型耳机的实时音高偏移听觉反馈扰动数据进行验证。

实验结果

研究问题

• RQ1 为何大而突然的感官误差导致的学习效果弱于较小误差，这与标准高斯模型的预测相反？
• RQ2 为何当大误差以渐进方式引入时动物能够补偿，而以突然方式引入时则不能？
• RQ3 行为分布的形状（如重尾）如何影响学习动力学与误差校正？
• RQ4 能否通过一个学习完整运动指令分布的贝叶斯模型，解释鸣禽发声适应中的非线性动力学？
• RQ5 运动变异性中的非高斯（幂律）尾部在感觉运动学习中起什么作用？

主要发现

• 斑胁镇伶鸣唱音高的分布表现出长而显著的非高斯（幂律）尾部，该模型通过α稳定分布成功捕捉了这一特征。
• 该模型解释了实验观察到的随着误差增大，学习速度和幅度下降的现象，尤其在突然扰动下更为明显。
• 该理论预测，大误差抑制学习并非通过拒绝这些误差，而是在重尾条件下使似然函数呈现双峰性，从而降低极端误差对后验分布的影响。
• 该模型准确预测了适应过程中音高分布形状的动力学变化，包括在大误差下出现双峰性。
• 实验验证确认，音高分布随学习动态变化，大扰动下双峰性增强，与模型预测一致。
• 该理论通过表明渐进变化允许系统逐步适应其分布形状，解释了为何渐进大误差可被补偿而突然误差不能这一悖论。