机构名称：
¥ 1.0
流行的感知理论假设大脑通过贝叶斯推理在生成世界模型中实现感知。一个著名的理论，神经采样代码 (NSC)，认为对刺激的神经元反应代表来自引起刺激的潜在世界状态变量的后验分布的样本。尽管理论上很优雅，但 NSC 并没有指定生成模型的确切形式，也没有规定如何将理论与记录的神经元活动联系起来。先前的研究假设了简单的生成模型，并测试了它们与神经生理数据的定性一致性。目前，规范理论与神经元记录没有精确的一致性，尤其是在对自然刺激的反应方面，而且缺乏对 NSC 下模型的定量实验评估。在这里，我们提出了一种新的 NSC 形式化方法，该方法 (a) 允许我们直接将 NSC 生成模型与记录的响应自然图像的神经元活动相匹配，(b) 制定更丰富、更灵活的生成模型，以及 (c) 使用标准指标定量评估 NSC 下的不同生成模型。此外，我们使用我们的形式化方法从训练后的生成模型中推导出刺激条件下的神经元反应预测模型，并将其与神经系统识别模型进行比较。我们通过拟合和比较经典和灵活的基于深度学习的生成模型来展示我们的方法，这些模型基于从猕猴初级视觉皮层 (V1) 到自然图像的群体记录，并表明灵活模型在生成和预测模型性能方面均优于经典模型。总体而言，我们的工作是朝着定量评估 NSC 迈出的重要一步。它提供了一个框架，让我们可以直接从神经元群体记录中学习生成模型，为通过实验理解感知和行为背后的概率计算原理铺平了道路。
一种用于评估生成模型的数据驱动方法......
主要关键词
相关文件推荐
