Zunifikowany model wnioskowania percepcyjnego
W ramach projektu CEMNET (A unified framework for perceptual inference in sensory cortices) naukowcy opracowali zunifikowany model percepcji o nazwie CEMNet (Constrained Entropy Maximisation Network). Eliminuje on problemy związane z niedokładnością występujące we wcześniejszych modelach neuronowych w przypadku symulacji środowisk naturalistycznych i skorelowanych danych sensorycznych. Model CEMNet zawiera komponent teoretyczny i doświadczalny. Model obliczeniowy przedstawia zachowanie w różnych środowiskach percepcyjnych przy pomocy biologicznie realistycznej architektury neuronowej. W celu reprezentacji środowiska specjalne moduły kodują obecność określonych cech percepcyjnych i ich połączenia. Moduły ograniczeń umożliwiają wykrywanie najbardziej prawdopodobnego scenariusza po przedstawieniu danych sensorycznych. Naukowcy wyprowadzili też reguły plastyczności w celu określenia połączeń między modułami neuronowymi. Uczeni zgromadzili dane eksperymentalne dotyczące integracji percepcyjnej, prosząc uczestników badania o wykonanie zadania związanego z percepcją wzrokową, w którym wprowadzono korelacje. Przy pomocy zaawansowanych technik uczenia maszynowego, takich jak maksymalizacja oczekiwań, badano sposób integracji skorelowanych danych sensorycznych przez uczestników. Ustalono, że dane eksperymentalne zgadzają się z danymi modelu CEMNet. Symulacje potwierdziły zdolność modelu CEMNet do analizowania złożonych środowisk i dokładnej reprezentacji wnioskowania percepcyjnego. Ważnym osiągnięciem było odkrycie roli doświadczenia w budowaniu zintegrowanych kategorii percepcyjnych przy pomocy danych sensorycznych podczas podejmowania decyzji. Model CEMNET może być stosowany do badania percepcji i zniekształceń percepcji u zdrowych i chorych osób, na przykład pacjentów cierpiących na schizofrenię.
Słowa kluczowe
Model, wnioskowanie percepcyjne, CEMNET, ograniczona sieć maksymalizacji entropii