推断推断

arXiv:2310.03186v4 公告类型：替换 摘要：大脑皮层的微环路模式表明，大脑拥有一系列重复的规范计算单元。然而，神经表征是分布式的，因此相关计算可能仅与单神经元变换间接相关。因此，如何定义规范分布式计算仍然是一个未解决的挑战。在这里，我们整合了神经计算的规范理论和算法理论，提出了一个数学框架，用于从大规模神经活动模式中推断规范分布式计算。在规范层面，我们假设大脑学习其环境及其潜在原因的结构化内部模型。在算法层面，我们提出这种推断过程是在世界图结构模型上的非线性消息传递算法。给定感知推断任务期间神经活动的时间序列，我们的分析框架找到 (i) 相关潜在变量的神经表征，(ii) 定义大脑世界内部模型的这些潜在变量之间的相互作用，以及 (iii) 指定推断算法的消息函数。有了足够的数据，关键计算属性由于任何规范计算中固有的对称性约束而可识别，直至所有相互作用和消息传递函数的联合全局变换。作为该框架的演示，我们分析了由隐式实现近似推断算法的模拟大脑生成的人工神经记录。给定模拟输入和神经活动，我们成功恢复了潜在变量、它们的神经表征和动力学，以及支配动力学的规范消息函数。对这些模型的分析揭示了从神经数据中提取规范计算所需的实验设计特征。

中文由 AI 翻译，仅供参考，以原文为准。