Goal-directed learning of the statistical structure of the environment

Información del proyecto

RELEARN

Identificador del acuerdo de subvención: 897042

DOI

10.3030/897042

Proyecto cerrado

Fecha de la firma de la CE 30 Noviembre 2020

Fecha de inicio 1 Enero 2021

Fecha de finalización 31 Diciembre 2022

Financiado con arreglo a

• EXCELLENT SCIENCE - Marie Skłodowska-Curie Actions

Coste total

€ 174 806,40

Aportación de la UE

€ 174 806,40

Coordinado por

MAX-PLANCK-GESELLSCHAFT ZUR FORDERUNG DER WISSENSCHAFTEN EV
Germany

Descripción del proyecto

La recompensa en decisiones humanas basadas en la estadística

Los humanos y otros animales necesitan aprender a condensar sus estímulos sensoriales de forma eficaz: guiados por las regularidades estadísticas y las recompensas del entorno. Estudios recientes en psicología y neurociencia muestran que las señales de recompensa modulan adecuadamente las representaciones aprendidas. Sin embargo, dichas representaciones determinan cómo podemos reconocer objetos y conceptos, y sigue sin conocerse la influencia indirecta de la recompensa sobre ello. Con la hipótesis de que los humanos utilizan recursos computacionales limitados para dirigir las representaciones aprendidas hacia su utilidad a fin de obtener una recompensa, RELEARN propone un modelo matemático que integra el aprendizaje por refuerzo y el aprendizaje representativo y probabilístico. Pondremos a prueba predicciones neuronales y conductuales en experimentos donde las personas aprenderán a obtener recompensas basadas en características estadísticas de un entorno simulado.

Objetivo

Learning the statistical buildup of the environment serves the purpose of making good decisions, thus what regularities humans learn and what ones they neglect depends on the relevance towards maximizing reward. Recent studies characterise reward-based modulation of feature representations built by humans and animals both on the behavioural and neural level, but the effect of reward on learning higher-order environmental statistics is unknown. Our hypothesis is that humans do not learn to represent feature co-occurrence statistics if it does not help to predict reward due to resource constraints on computation and storage. We propose a mathematical framework based on Bayesian hierarchical modelling and reinforcement learning to predict the modulatory effect of reward on learned representations. We will test the predictions of the model in a series of experiments where humans need to learn to associate precisely controlled statistical aspects of a naturalistic simulated environment to reward both in the lab and online, in reactive and planning-based tasks. Additional to behaviour, the model will predict the structure of neural representations and their changes over the course of the experiment as well. We will test those predictions using magnetoencephalography during the learning phase of the experiments and decoding analysis to compare model variables to neural responses. The results will contribute to the understanding of representational learning in humans, with potential implications in psychiatry and economics as well as supply the community with novel analytical tools and data. The unique mentoring at the host institution together with the extensive training program including international visits to world-leading collaborators will establish my independent research program in computational neuroscience.

Ámbito científico (EuroSciVoc)

• ciencias médicas y de la salud › medicina clínica › psiquiatría
• ciencias sociales › economía y empresa › ciencia económica
• ciencias naturales › informática y ciencias de la información › inteligencia artificial › aprendizaje automático › aprendizaje por refuerzo
• ciencias naturales › ciencias biológicas › neurobiología › neurociencia computacional

Palabras clave

• reinforcement learning
• representational learning
• statistical learning
• Bayesian brain
• hierarchical perception
• behavioural measurement
• magnetoecephalography
• neural representations

Programa(s)

• H2020-EU.1.3. - EXCELLENT SCIENCE - Marie Skłodowska-Curie Actions PROGRAMA PRINCIPAL
  
• H2020-EU.1.3.2. - Nurturing excellence by means of cross-border and cross-sector mobility
  

Tema(s)

• MSCA-IF-2019 - Individual Fellowships
  

Régimen de financiación

MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)

Convocatoria de propuestas

H2020-MSCA-IF-2019

Coordinador

MAX-PLANCK-GESELLSCHAFT ZUR FORDERUNG DER WISSENSCHAFTEN EV

• Aportación neta de la UEn: € 174 806,40
• Dirección: HOFGARTENSTRASSE 8 ; 80539 MUNCHEN ; Alemania
• Región: Bayern › Oberbayern › München, Kreisfreie Stadt
• Tipo de actividad: Research Organisations
• Coste total: € 174 806,40