Einheitliches Modell für die Wahrnehmungsfolgerung
Im Verlauf des Projekts CEMNET (A unified framework for perceptual inference in sensory cortices) entwickelten Wissenschaftler ein vereinheitlichendes Wahrnehmungsmodell mit der Bezeichnung CEMNet (Constrained Entropy Maximisation Network). Dieses Modell löste Probleme mit der Ungenauigkeit von früheren neuronalen Modellen beim Umgang mit naturalistischen Umgebungen und korrelierten sensorischen Beweisen. Das CEMNet-Modell vereint eine theoretische und eine experimentelle Komponente. Das Rechenmodell repräsentiert das Verhalten in verschiedenen Wahrnehmungsumgebungen mithilfe einer biologisch plausiblen neuronalen Architektur. Zur Repräsentation der Umgebung codieren dedizierte Einheiten das Vorhandensein von spezifischen Wahrnehmungsfunktionen und deren Verbindungen. Die Einschränkungseinheiten ermöglichen den Nachweis des wahrscheinlichsten Szenarios, wenn sensorische Beweise vorgelegt werden. Die Wissenschaftler leiteten auch Plastizitätsregeln ab, um Verbindungen zwischen neuronalen Einheiten zu bestimmen. Die CEMNET-Forscher sammelten experimentelle Daten über Wahrnehmungsintegration von menschlichen Teilnehmern, die einer visuellen Wahrnehmungsaufgabe unterzogen wurden, für die Korrelationen eingeführt wurden. Mit ausgefeilten Techniken des maschinellen Lernens wie etwa Erwartungsmaximierung untersuchten sie, wie die Teilnehmer korrelierte sensorische Beweise integrierten. Sie fanden heraus, dass sich die experimentellen Beweise im Einklang mit dem CEMNet-Modell befinden. Simulationen demonstrierten die Fähigkeit des CEMNet-Rahmens, komplexe Umgebungen zu handhaben und Wahrnehmungsfolgerung exakt darzustellen. Ein wichtiges Ergebnis der CEMNET-Forscher war die Aufdeckung der Rolle von Erfahrung beim Aufbau von integrierten Wahrnehmungskategorien mit sensorischen Beweisen für die Entscheidungsfindung. Das CEMNET-Modell könnte angewendet werden, um Wahrnehmung und Wahrnehmungsverzerrung bei gesunden und pathologischen Probanden, etwa mit Schizophrenie, zu verstehen.
Schlüsselbegriffe
Modell, Wahrnehmungsfolgerung, CEMNET, Constrained Entropy Maximization Network