[论文解读] Perceptual decision-making as probabilistic inference by neural sampling

Ralf M. Haefner, Pietro Berkes+1 more|arXiv (Cornell University)|Aug 31, 2014

Neural dynamics and brain function参考文献 55被引用 6

一句话总结

该论文提出了一种神经采样框架，将感知决策建模为层次贝叶斯模型中的概率推理，无需依赖注意力机制即可解释神经活动的相关性与行为表现。该框架展示了自上而下的连接如何编码与任务相关的知识，将变异性重新解释为信息性而非噪声性，并为神经生理学与心理物理学提供了可检验的预测。

ABSTRACT

We present a new framework that combines the idea of perception as probabilistic inference with the recently proposed neural sampling hypothesis to make directly testable neurophysiological and psychophysical predictions. Applying our framework to the well-studied two-alternative forced choice task paradigm, we functionally explain multiple empirical ndings, including task-dependent correlations between neuronal responses, between responses and behavior, and between stimulus and behavior, that have been hard to account for by the traditional feedforward model of sensory processing. The top-down connections required by probabilistic inference in our hierarchical model allow the correlated sensory neural responses to reect task-relevant knowledge without invoking the concept of attention. Our model makes a number of new predictions and characterizes correlated variability as reecting task-related information rather than performance-degrading noise. It also demonstrates a normative way to integrate sensory and cognitive components into physiologically testable mathematical models of perceptual decision-making. Almost 150 years ago, Helmholtz proposed that visual perception is an inference process 1 . He suggested that at any point in time the brain combines its prior knowledge about the external world with the incoming sensory information to compute the most likely explanation for its inputs. Substantial evidence from both psychophysics 2 and recent physiological

研究动机与目标

• 将感知决策与概率推理及神经采样整合在一个生物上合理的框架中。
• 解释长期存在的经验发现（如神经反应的相关性与刺激-行为相关性），这些发现对传统前向传播模型构成挑战。
• 通过展示自上而下的连接通过概率推理自然编码与任务相关的知识，从而消除对注意力的需求。
• 将神经变异性重新解释为信息性而非噪声性，特别是在贝叶斯推理的语境下。
• 提供一个规范性的、数学上严谨的模型，整合感觉与认知过程，可直接在神经生理学与心理物理学实验中进行检验。

提出的方法

• 构建一个层次贝叶斯模型，将感知视为对感官输入最可能原因的推断。
• 应用神经采样假说，即皮层种群的放电活动随机从可能解释的后验分布中进行采样。
• 利用自上而下的反馈连接编码先验知识与任务相关性，动态调节感觉反应。
• 通过在潜在状态上模拟基于采样的推理，对两选项强制选择（2AFC）任务中的决策过程进行建模。
• 基于模型的采样动态，推导出关于神经元相关性、反应-行为关系以及刺激-行为依赖性的预测。
• 通过与已知的心理物理学与神经生理学数据对比，验证模型预测，显示其与观察到的相关性与反应模式一致。

实验结果

研究问题

• RQ1 如何通过神经采样机制将感知决策解释为概率推理？
• RQ2 自上而下的连接在不引入注意力机制的情况下，如何塑造感觉反应？
• RQ3 为何在感知任务中会观察到神经反应、行为与刺激之间的相关性？
• RQ4 神经变异性能否被解释为信息性而非对性能的损害？
• RQ5 如何将感觉与认知成分规范性地整合到一个单一、可检验的神经生理学模型中？

主要发现

• 该模型将神经反应的任务相关相关性解释为自上而下连接中编码的共享任务相关先验的结果，而非噪声或注意力所致。
• 通过展示从后验分布中采样自然导致此类依赖关系，该模型解释了行为与神经反应之间的相关性。
• 该模型预测，刺激-行为相关性源于通过概率推理对感官证据与先验知识的整合。
• 神经反应的关联变异性被重新解释为反映任务相关信息，而非损害性能的噪声。
• 该框架为认知与感觉过程如何通过贝叶斯推理在感知决策中整合提供了规范性解释。
• 该模型为神经生理学记录与心理物理学实验生成了直接、可检验的预测，尤其关注反应相关性与决策动力学。