计算神经科学把大脑写成方程

知识地图 › 06 学习、决策与贝叶斯 › 6.1

6.1

贝叶斯脑与线索整合

Bayesian brain and cue combination

★★☆ 核心认知核心

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。

核心要点

  1. 最优整合按精度(1/方差)加权:方差越小的线索话语权越大。
  2. 行为实验(视觉–触觉大小判断、视觉–前庭方向判断)测得的权重与预测高度吻合,是最强证据之一。
  3. 先验可以是演化的、长期学习的,也可以是任务中即时设定的。

公式

ŝ=Σi σi-2ŝiΣi σi-2,

σŝ-2=Σi σi-2

高斯假设下的最优线性整合——每条线索按其精度加权;融合后的方差小于任何单条线索的方差。

直觉

蒙眼摸一个物体,再睁眼看它。你并不会"二选一",而是自动按各自的可靠程度做加权平均。

常见误区

把"行为符合贝叶斯模型"当成"大脑真的在算后验"。很多简单启发式在特定任务下与贝叶斯最优等价,需要设计能区分两者的实验。

出处

  • Ernst & Banks 2002, Nature
  • Knill & Pouget 2004, Trends Neurosci
回到模块 06