Neural implementations of Bayesian inference | Current Opinion in Neurobiology (2021)

脳におけるベイズ推論の2つの実装方法

modular perspective: 事前分布(Prior)と尤度(likelihood)が別々に表現され、これらを組み合わせることによって、事後分布(posterior)を得る

トライアルごとに不確かさを逐次更新することができる。

常に事前分布(Prior)と尤度(likelihood)をフルで表現するのはコストが高すぎるというデメリット

２つの具体的な実装方法

transform perspective: 不確かな感覚入力が事前分布(Prior)が埋め込まれた潜在過程を介して、事後分布(posterior)の平均が得られる。

トライアルごとに事後分布(posterior)が計算される必要はない

2つの実装レベル

Collective dynamics of neural populations

Prior knowledge embedded in local circuits

シナプス接続レベルでの事前分布(Prior)の保存

これら２つは完全に独立しているのか、または両者が上手く組み合わさっているのか？

タスクによって駆動されるものが変わる？

不確実性をずっと追わなくてはならなければmodularの方か良いパフォーマンスを出すだろうし、平均で十分であればtranformの方が効率が良いはず