机构名称：
¥ 1.0
大脑和神经科学家的任务都是为了理解大量相互依存和不确定的变量（即概率）。这部分解释了为什么统计模型（尤其是贝叶斯模型）在分析神经数据的脑功能和方法论中都越来越突出。贝叶斯定理指定了将先前信念与概率推断中的数据相结合的最佳方法，其中1个是在不确定性下进行推理的强大工具（van Amersfoort等，2020）。在贝叶斯网络的框架内，可以通过贝叶斯定理的连续应用从观察数据中计算出通过条件依赖性网络相互关联的多个变量的值（或概率分布）。贝叶斯网络可以用作大型和一般的动力学现象类别的统计模型，并且可以使用专家知识构建或通过结构学习过程从数据中学到。最新的大脑功能理论表明，感知，认知和动作都可以富有成果理解为贝叶斯推论的形式，在这种形式上，世界内部生成模型被反转以拟合感官数据。该内部生成模型可以正式化为动态和层次深度的贝叶斯网络 - 即由多个（越来越抽象的）解释变量及时演变而来。在感知中，模型被更改以匹配感觉数据，而在动作中，更改了感官数据以通过所谓的活动推断匹配模型。反转该网络是通过预测处理来实现的，其中大脑活动主要编码模型生成的预测和感觉数据之间的差异，即预测错误。
社论：贝叶斯和其他模型在翻译神经科学中的新应用
主要关键词
相关文件推荐
