Loading article…
脳機能に対するベイズ的アプローチは、神経系が不確実な状況下でベイズ統計学で規定される最適に近い方法で機能する能力を調査する。[ 1 ] [ 2 ]この用語は行動科学や神経科学で使用され、この用語に関連する研究は、統計原理に基づいて脳の認知能力を説明しようとすることが多い。神経系は、ベイズ確率の手法に近似した方法を使用して感覚情報の神経処理によって更新される内部確率モデルを維持していると仮定されることが多い。[ 3 ] [ 4 ]
この研究分野は、機械学習、実験心理学、ベイズ統計学など、数多くの分野に歴史的ルーツを持っています。1860年代には早くも、実験心理学におけるヘルマン・ヘルムホルツの研究により、感覚データから知覚情報を抽出する脳の能力は、確率的推定の観点からモデル化されました。[ 5 ] [ 6 ]基本的な考え方は、神経系が感覚データを整理して、外界の正確な内部モデルを作成する必要があるということです。
ベイズ確率は、多くの重要な貢献者によって発展してきました。ピエール＝シモン・ラプラス、トーマス・ベイズ、ハロルド・ジェフリーズ、リチャード・コックス、エドウィン・ジェインズは、入手可能な証拠に基づいて特定の仮説や仮説に割り当てられる妥当性の度合いとして確率を扱うための数学的手法と手順を開発しました。[ 7 ] 1988年、エドウィン・ジェインズは、精神過程をモデル化するためにベイズ確率を使用するフレームワークを発表しました。[ 8 ]このように、ベイズ統計フレームワークが神経系の機能に関する洞察につながる可能性を秘めていることが早い段階で認識されました。
この考えは、特に機械学習の分野である分析合成アプローチなどの教師なし学習の研究で取り上げられました。[ 9 ] [ 10 ] 1983年にジェフリー・ヒントンとその同僚は、脳は外界の不確実性に基づいて意思決定を行う機械と見なすことができると提案しました。[ 11 ] 1990年代には、ピーター・ダヤン、ジェフリー・ヒントン、リチャード・ゼメルなどの研究者が、脳は世界の知識を確率の観点から表現し、そのようなヘルムホルツマシンを顕現できる扱いやすい神経プロセスについて具体的な提案を行いました。[ 12 ] [ 13 ] [ 14 ]
幅広い研究が、心理物理学的実験の結果をベイズ知覚モデルの観点から解釈している。人間の知覚および運動行動の多くの側面は、ベイズ統計でモデル化できる。このアプローチは、神経情報処理の究極的な表現として行動結果に重点を置くため、ベイズ決定理論を使用して感覚および運動の決定をモデル化することでも知られている。例としては、Landy [ 15 ] [ 16 ]、Jacobs [ 17 ] [ 18 ] 、 Jordan、Knill [ 19 ] [ 20 ]、KordingとWolpert [ 21 ] [ 22 ]、およびGoldreich [ 23 ] [ 24 ] [ 25 ]の研究が挙げられる。
多くの理論的研究では、神経系がベイズアルゴリズムをどのように実装できるかが問われています。例としては、Pouget、Zemel、Deneve、Latham、Hinton、Dayanらの研究が挙げられます。GeorgeとHawkinsは、マルコフ連鎖のベイズネットワークに基づく階層的時間記憶と呼ばれる皮質情報処理モデルを確立した論文を発表しました。彼らはさらに、この数学モデルを皮質のアーキテクチャに関する既存の知識にマッピングし、ニューロンが階層的ベイズ推論によってパターンを認識する方法を示しました。[ 26 ]
近年の電気生理学的研究の多くは、神経系における確率の表現に焦点を当てている。シャドレンとシュルツの研究はその一例として挙げられる。
予測符号化は、予測誤差を最小化することに基づいて感覚入力の原因を推論するための神経生物学的に妥当なスキームである。[ 27 ]これらのスキームは、形式的にはカルマンフィルタリングやその他のベイズ更新スキームに関連している。
1990年代には、ジェフリー・ヒントンやカール・フリストンなどの研究者が、世界の実際の特徴とニューラルネットワークモデルによって捉えられたそれらの特徴の表現との間の不一致を計算可能な尺度として、自由エネルギーの概念を検討し始めました。 [ 28 ]最近、カール・フリストンによって統合が試みられ[ 29 ]、その中でベイジアン脳は自由エネルギー最小化の一般原理から出現します。[ 30 ]この枠組みでは、行動と知覚の両方が自由エネルギーの抑制の結果と見なされ、知覚[ 31 ]と能動的推論[ 32 ]につながり、ベイジアン脳のより具現化された（能動的）見解につながります。変分ベイジアン法を使用すると、自由エネルギーまたは感覚入力とその入力の予測との間の不一致を最小化するために、世界の内部モデルが感覚情報によってどのように更新されるかが示されます。これは（神経生物学的に妥当な用語で言えば）予測符号化、あるいはより一般的にはベイズフィルタリングと表現できる。
フリストンによれば：[ 33 ]
ここで考慮される自由エネルギーは、環境の状態または構成によって符号化された期待の下で、環境とのあらゆる交換に内在する驚きの限界を表します。システムは、環境をサンプリングする方法を変更したり、期待を変更したりするために構成を変更することで、自由エネルギーを最小化できます。これらの変更は、それぞれ行動と知覚に対応し、生物システムに特徴的な環境との適応的な交換につながります。この扱いは、システムの状態と構造が環境の暗黙的かつ確率的なモデルを符号化していることを意味します。[ 33 ]
この研究分野は、2008年にニューサイエンティスト誌に掲載された記事で、一般の人にも理解できる言葉で要約され、脳機能の統一理論が提示された。[ 34 ]フリストンはこの理論の説明力について次のように主張している。
「この脳機能モデルは、脳システムの幅広い解剖学的および生理学的側面を説明できます。たとえば、皮質領域の階層的配置、順方向および逆方向の接続を使用した再帰的アーキテクチャ、およびこれらの接続における機能的非対称性などです。シナプス生理学の観点からは、連合可塑性、および動的モデルの場合はスパイクタイミング依存性可塑性を予測します。電気生理学の観点からは、古典的および非古典的受容野効果、誘発皮質応答の長潜時または内因性成分を説明します。知覚学習による予測誤差を符号化する応答の減衰を予測し、反復抑制、ミスマッチ陰性電位、および脳波におけるP300などの多くの現象を説明します。精神物理学的観点からは、プライミングやグローバル優先性などのこれらの生理学的現象の行動的相関関係を説明します。」 [ 33 ]
「知覚推論と学習の両方が自由エネルギーの最小化または予測誤差の抑制に基づいていることを示すのはかなり簡単である。」[ 33 ]