Probabilistic population codes for Bayesian decision making.
Probabilistic population codes for Bayesian decision making.
复制标题
DOI：
10.1016/j.neuron.2008.09.021
复制
发表时间：
2008-12-26
期刊：
影响因子：
16.2
通讯作者：
Pouget A
中科院分区：
文献类型：
--
作者：
Beck JM;Ma WJ;Kiani R;Hanks T;Churchland AK;Roitman J;Shadlen MN;Latham PE;Pouget A
在做出决定时，必须首先积累证据，通常是随着时间的推移，然后选择适当的行动。在这里，我们提出了一个神经模型的决策，可以进行证据积累和行动选择最佳。更具体地说，我们表明，给定一个泊松样分布的尖峰计数，生物神经网络可以积累证据，而不会丢失信息，通过线性整合的神经活动，并可以选择最可能的行动，通过吸引动力学。这适用于任意相关性、任何调谐曲线、连续和离散变量以及可靠性随时间变化的感官证据。我们的模型预测，参与证据积累的外侧顶内皮层神经元在每次试验中都会编码一个概率分布，预测动物的表现。我们目前的实验证据与这一预测相一致，并讨论其他适用于更一般的设置的预测。
When making a decision, one must first accumulate evidence, often over time, and then select the appropriate action. Here, we present a neural model of decision making that can perform both evidence accumulation and action selection optimally. More specifically, we show that, given a Poisson-like distribution of spike counts, biological neural networks can accumulate evidence without loss of information through linear integration of neural activity, and can select the most likely action through attractor dynamics. This holds for arbitrary correlations, any tuning curves, continuous and discrete variables, and sensory evidence whose reliability varies over time. Our model predicts that the neurons in the lateral intraparietal cortex involved in evidence accumulation encode, on every trial, a probability distribution which predicts the animal’s performance. We present experimental evidence consistent with this prediction, and discuss other predictions applicable to more general settings.
登录
查看更多内容
影响因子：
1.9
作者：
BRITTEN, KH;SHADLEN, MN;MOVSHON, JA
通讯作者：
MOVSHON, JA
影响因子：
25
作者：
Deneve, S;Latham, PE;Pouget, A
通讯作者：
Pouget, A
影响因子：
64.8
作者：
Platt, ML;Glimcher, PW
通讯作者：
Glimcher, PW
影响因子：
5.3
作者：
Kim, Byounghoon;Basso, Michele A.
通讯作者：
Basso, Michele A.
影响因子：
7.8
作者：
Paninski, L
通讯作者：
Paninski, L