68、最优线索整合的神经实现

最优线索整合的神经实现

1. 引言

在感知计算中，如线索整合，信息的有效处理至关重要。然而，在计算之前，输入信息可能会丢失，即进入计算的概率分布可能比从刺激中提取的分布更宽泛。接下来，我们将深入探讨神经元群体如何编码刺激以及相关的概率分布。

2. 神经变异性

• 刺激编码 ：我们从一个对生物体重要的变量 (s) 开始，它可以是表面的倾斜度、物体的宽度、事件的空间位置、移动物体的速度、语音音节的身份等。每次呈现特定值的刺激变量 (s) 时，会引发大量神经元的活动，活动以诱发的动作电位（尖峰）总数来表征。
• 尖峰计数的变异性 ：当重复呈现相同的 (s) 值时，尖峰计数通常会发生变化。这种变异性在许多大脑皮层区域都有测量。为了对其进行建模，人们常假设它服从泊松分布，即响应刺激 (s) 时尖峰计数 (r) 的概率为：
  [P(r|s)=\frac{e^{-\lambda}\lambda^r}{r!}]
  其中，(\lambda) 表示平均尖峰计数，在泊松过程中，它与尖峰计数的方差相同。但实际观察到的变异性并不完全符合泊松分布，后续会进一步探讨。
• 平均尖峰计数的影响因素 ：平均尖峰计数 (\lambda) 取决于两个因素：呈现的刺激 (s) 和所考虑的神经元 (i)。因此，(\lambda) 可以写成 (\lambda = g \cdot f_i(s))，其中 (g) 是整体缩放因子（增益）。作为 (s) 的函数，(f_i(s)) 被称为第 (i) 个神经元的调谐曲线，通常呈钟形或单调。如果 (s) 是