arXiv cs.AI· Rajkumar Vasudeva Raju, Zhe Li, Scott Linderman, Xaq Pitkow·· 13 小时前AI 评分20
从大规模神经活动中推断分布式规范计算：一个数学框架
Inferring Inference
AI 导读
研究者提出一个数学框架，可从大规模神经活动模式中推断大脑的规范分布式计算，在规范层面假设大脑学习环境及其潜在原因的结构化内部模型，在算法层面将推断过程建模为图结构世界模型上的非线性消息传递算法。
正文 · AI 翻译
摘要：大脑皮层中微环路的模式表明，大脑拥有一系列重复的典型计算单元。然而，神经表征是分布式的，因此相关计算可能只与单神经元变换间接相关。因此，如何定义典型的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，提出了一个从大规模神经活动模式中推断典型分布式计算的数学框架。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，我们的分析框架能够找到（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，由于任何典型计算中固有的对称性约束，关键计算属性是可识别的，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，以及支配动力学的典型消息函数。对这些模型的分析揭示了从神经数据中提取典型计算所需的实验设计特征。
| 评论： | 26 页，4 幅图，1 幅补充图 |
| 主题： | 神经元与认知（q-bio.NC）；人工智能（cs.AI） |
| 引用为： | arXiv:2310.03186 [q-bio.NC] |
| （或 arXiv:2310.03186v4 [q-bio.NC] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2310.03186 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Xaq Pitkow [查看电子邮件]
[v1]
2023 年 10 月 4 日星期三 22:12:11 UTC（30,802 KB）
[v2]
2023 年 10 月 6 日星期五 19:14:54 UTC（30,802 KB）
[v3]
2023 年 10 月 13 日星期五 22:04:12 UTC（30,816 KB）
[v4]
2026 年 10 月 27 日星期二 01:27:21 UTC（22,650 KB）
来源：arXiv cs.AI · arxiv.org