[论文解读] 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 3

一句话总结

本文提出，大脑通过在递归神经网络中的冗余群体编码上运行的消息传递算法执行概率推理。通过将神经计算表述为充分统计量和图模型，它展示了群体活动如何表示并转换统计信息，为不确定条件下的感知提供了生物学上合理的机制。

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.

研究动机与目标

• 解释大脑如何从模糊的感官输入中执行近似概率推理。
• 弥合理论框架（如图模型和消息传递）与生物神经回路之间的鸿沟。
• 阐明递归网络中的冗余群体编码如何表示并传递充分统计量。
• 论证在自然行为中大规模神经活动模式对于揭示核心计算原理至关重要。
• 提出一个框架，其中群体水平的信息流揭示大脑的统计计算。

提出的方法

• 将概率图模型和消息传递算法适配到神经群体编码中。
• 将神经群体建模为通过非线性递归动态表示感官输入的充分统计量。
• 利用冗余编码以确保神经活动中统计信息的鲁棒性和可解释性。
• 将求和-乘积算法应用于群体水平变量，将神经集合视为随机节点。
• 分析递归连接如何通过充分统计量迭代优化对感官数据中隐藏原因的信念。
• 提出信息以充分统计量的形式在群体间流动，而非单个神经元。

实验结果

研究问题

• RQ1 递归神经网络如何利用群体编码实现概率推理？
• RQ2 冗余神经编码在群体水平使统计计算可解释方面发挥什么作用？
• RQ3 消息传递算法如何映射到神经回路动力学中？
• RQ4 何种神经活动模式最能揭示大脑计算的关键方面？
• RQ5 在感知过程中，充分统计量如何在神经群体中产生并流动？

主要发现

• 冗余群体编码使大脑能够可靠地表示和传输感官输入的充分统计量。
• 在群体上运行的消息传递算法能够以生物学上合理的方式执行近似贝叶斯推理。
• 最具可解释性的信息流发生在群体水平，尤其是在冗余编码中。
• 递归连接通过充分统计量实现对隐藏原因信念的迭代优化。
• 在自然行为中，大规模活动模式对于揭示神经回路核心计算逻辑至关重要。
• 该框架提供了一个统一视角，将概率推理、神经编码与网络动力学联系起来。