知识地图 › 模块 06
MODULE 06
学习、决策与贝叶斯
Learning and decision
- 目标
- 掌握"大脑在不确定下如何推断与选择"的四个核心框架——贝叶斯推断、证据累积、强化学习、预测编码,以及它们各自的实验证据与边界。
- 前置
- 模块 01(概率)、模块 04(编码)。
- 周期
- 3 周 | 共 6 个知识点
本模块进度0/6
6.1
贝叶斯脑与线索整合Bayesian brain and cue combination
把感知看作"用先验约束的逆推断"——大脑融合多条不可靠线索,得到最优估计。
★★☆
6.2
漂移扩散模型(DDM)Drift-diffusion model
两个选项的证据被累加成一个带噪声的随机游走,碰到哪个边界就选哪个。
★★☆可仿真
6.3
强化学习与多巴胺Reinforcement learning and dopamine
多巴胺信号编码"奖励预测误差",而不是奖励本身——这是计算与生理最漂亮的一次对齐。
★★☆
6.4
预测编码与自由能Predictive coding and free energy
大脑不断自上而下预测、自下而上报告误差,只把"没猜到的部分"往上送。
★★★
6.5
不确定性、探索与置信Uncertainty and exploration
好的决策不只需要"最优估计",还需要知道"自己有多不确定"。
★★★
6.6
工作记忆与前额叶持续活动Working memory and persistent activity
延迟期的持续放电如何"记住"一个已经消失的刺激?吸引子与活动-静默两种答案。
★★★
自测题
- 两条线索的方差分别为 4 和 16。最优整合后,第一条线索的权重是多少?融合后的方差是多少?
- DDM 中增大边界 a,正确率与平均 RT 会如何变化?错误 RT 相对正确 RT 会变快还是变慢?
- TD 误差在"预期奖赏按时出现"时为什么接近零?这与多巴胺神经元的哪种响应模式对应?