7,129
个编辑
更改
跳到导航
跳到搜索
第142行：
第142行： − 优化精度参数对应于优化预测误差的增益（c.f.，Kalman增益）。在预测性编码的神经元似是而非的实现中，<ref name="Mumford" />这对应于优化浅表锥体细胞的兴奋性，并被解释为注意增益。<ref name="Feldman">Feldman, H., & Friston, K. J. (2010). [http://www.fil.ion.ucl.ac.uk/~karl/Attention%20uncertainty%20and%20free-energy.pdf Attention, uncertainty, and free-energy]. Frontiers in Human Neuroscience, 4, 215.</ref>+ − + − − − 神经生物学认为，多巴胺等神经第质通过调节主细胞编码预测错误的增益来报告预测错误的准确性。这与多巴胺在报告预测错误本身和相关计算机账户中的作用密切相关，但在形式上有所不同。 第160行：
第157行： − 主动推理与最优控制相关，通过用关于状态转换或流的先验信念替换值函数或外推成本函数。这利用了贝叶斯 <math> W(x) </math> 值函数(c.f，亥姆霍兹分解)开始的。这里，<math> \Gamma </math>是随机波动的振幅，成本是<math> c(x) = f \cdot \nabla V + \nabla \cdot \Gamma \cdot V</math>。<math> p(x\mid m) = \exp (V(x)) </math>这是适当的前向 Kolmogorov 方程的解。相比之下，给定一个成本函数，在假设 <math> W = 0 </math>(即，流是无卷曲的或有详细的平衡)的情况下，最优控制使流量最优化。通常，这需要求解向后的 Kolmogorov 方程。+ − − 比较这两个模型的结果发现他们的结果之间有显著的相似性，同时指出了一个显著的差异，即在SAIM的标准版本中，模型的重点主要是兴奋性连接，而在PE-SAIM中，抑制性连接将被用来进行推断。该模型对人体实验的脑电和功能磁共振数据具有较高的预测精度。+
→知觉的精确性、注意力和显著性
===知觉的精确性、注意力和显著性===
===知觉的精确性、注意力和显著性===
优化精度参数对应于优化预测误差的增益（参见Kalman增益）。在预测性编码的神经元似是而非的实现中，<ref name="Mumford" />这对应于优化浅表锥体细胞的兴奋性，并被解释为注意增益。<ref name="Feldman">Feldman, H., & Friston, K. J. (2010). [http://www.fil.ion.ucl.ac.uk/~karl/Attention%20uncertainty%20and%20free-energy.pdf Attention, uncertainty, and free-energy]. Frontiers in Human Neuroscience, 4, 215.</ref>
[[文件：PESAIM.jpg|在多目标环境下，通过对名为PE-SAIM的SAIM进行贝叶斯重构，模拟选择性注意任务的结果。图表显示了知识网络中FOA和两个模板单元激活的时间过程。]]
[[file:PESAIM.jpg|在多目标环境下，通过对名为PE-SAIM的SAIM进行贝叶斯重构，模拟选择性注意任务的结果。图表显示了知识网络中FOA和两个模板单元激活的时间过程。]]
关于自上而下与自下而上的争论，已经被作为一个主要的开放性问题的注意，一个计算模型已经成功地说明了自上而下和自下而上机制之间的往复循环性质。利用已建立的注意涌现模型SAIM，作者提出了一个称为PE-SAIM的模型，与标准模型相比，该模型从自上而下的立场接近选择性注意。该模型考虑了发送到同一级别或更高级别的转发预测误差，以最小化表示数据及其原因之间的差异的能量函数，换句话说，生成模型和后验模型之间的差异。为了提高有效性，他们还在模型中加入了刺激物之间的神经竞争。该模型的一个显著特点是仅根据任务执行过程中的预测误差来重新构造自由能函数。
关于自上而下与自下而上的争论，已经被作为一个主要的开放性问题的注意，一个计算模型已经成功地说明了自上而下和自下而上机制之间的往复循环性质。利用已建立的注意涌现模型SAIM，作者提出了一个称为PE-SAIM的模型，与标准模型相比，该模型从自上而下的立场接近选择性注意。该模型考虑了发送到同一级别或更高级别的转发预测误差，以最小化表示数据及其原因之间的差异的能量函数，换句话说，生成模型和后验模型之间的差异。为了提高有效性，他们还在模型中加入了刺激物之间的神经竞争。该模型的一个显著特点是仅根据任务执行过程中的预测误差来重新构造自由能函数。
比较这两个模型的结果发现他们的结果之间有显著的相似性，同时指出了一个显著的差异，即在SAIM的标准版本中，模型的重点主要是兴奋性连接，而在PE-SAIM中，抑制性连接将被用来进行推断。该模型对人体实验的脑电和功能磁共振数据具有较高的预测精度。该模型还被证明适合以高精度预测从人体实验中提取的 EEG 和 fMRI 数据。同样，Yahya 等人。还应用自由能原理提出了一个主要依赖于 SAIM 的隐性选择性视觉注意中的模板匹配计算模型。<ref name="Yahya"> Yahya K., Fard P.R., & Friston, K.J. (2014). [DOI: 10.1007/s10339-013-0597-6 A free energy approach to visual attention: a connectionist model]. Cogn Process (2014) 15:107. </ref>根据这项研究，通过在原始神经网络中插入自上而下的信号来达到整个状态空间的总自由能，由此我们推导出一个包含前馈和后向预测误差的动力学系统。
<br>
==主动推理==
==主动推理==