15、生成概率建模：理解因果感觉运动整合

生成概率建模：理解因果感觉运动整合

在感知研究领域，传统的最大似然整合（MLI）方法在解释人类多感官异常检测任务中的表现时遭遇了困境。本文将深入探讨一种基于贝叶斯理想观察者的模型，它能够更准确地解释相关实验结果。

传统MLI方法的局限性

在多感官异常检测实验中，经典的MLI方法与人类表现存在显著的定性差异。以视觉 - 触觉实验和纹理 - 视差实验为例，MLI预测的辨别阈值与实际观察结果不符。具体表现为，MLI预测在某些区域存在无限的不可辨别带，而实际人类实验测量结果显示，存在一个以标准刺激为中心、沿线索不一致线倾斜且略微超出单峰阈值矩形边界的非检测区域。

这种差异可能是由于MLI模型没有考虑到问题的两个关键组成部分：问题的离散模型选择性质和可变结构组件。

异常检测问题的本质

“刺激1、2或3哪个是异常的？” 这个任务实际上不仅仅是对组合刺激的估计，而是要求受试者在三个模型之间进行概率模型选择。例如，受试者需要判断以下三种情况哪种更合理：
1. 多感官刺激2和3来自一个类别，刺激1来自另一个类别。
2. 刺激1和3来自一个类别，刺激2来自不同类别。
3. 刺激1和2来自一个类别，刺激3来自另一个类别。

从贝叶斯理想观察者的角度来看，实验任务是估计哪个模型最适合数据，而不是某个模型内变量的值。理想观察者应在确定最合理模型时，对未知刺激值的分布进行积分。

异常检测的形式化

通过生成模型贝叶斯网络对三个多感官观察的异常检测任务进行形式化，如图4.9所示。目标是确定哪个观察是异常探针。图中左侧表示组成其他两个标准刺激的四个观察都与标准刺激值相关；右侧表示