机构名称：
¥ 3.0
在高峰时段，一名行人穿过一条街道，经常看起来并听潜在的危险。当他们听到几个不同的角时，他们将鸣喇叭的汽车定位，并决定是否需要修改其运动计划。行人如何使用此听觉信息在视觉空间中挑选相应的汽车？这样的分布式表示形式的集成称为分配问题，必须解决它以在跨感觉模态范围内整合不同的表示形式。在这里，我们识别并分析了分配问题的解决方案：在相关大脑区域成对的一个或多个常见刺激特征（例如，在视觉和听觉系统中都表示对汽车空间位置的估计。我们表明该解决方案的可靠性如何取决于刺激集的不同特征（例如，集合的大小和刺激的复杂性）以及分裂代表的细节（例如，每个刺激表示的精度和重叠信息的量和重叠信息的量）。接下来，我们在生物学上合理的接收场代码中实现了该解决方案，并显示该代码使用的神经元和尖峰数量的约束迫使大脑在局部和灾难性错误之间进行权衡。我们表明，当有许多尖峰和神经元可用时，尽管有分配错误的风险，但在多个大脑区域中代表单个感觉方式的刺激可以更可靠地完成。最后，我们表明，即使以两种不同的表示格式接收输入，馈送神经网络也可以学习对分配问题的最佳解决方案。我们还讨论了有关人类工作记忆文献中分配错误的相关结果，并表明我们理论的几个关键预测已经得到支持。
需要冗余表示形式才能同时消除歧义的复杂刺激
主要关键词
相关文件推荐
