關鍵詞：貝葉斯大腦假說，神經編碼
論文題目：Bayesian encoding and decoding as distinct perspectives on neural coding 論文期刊：Nature Neuroscience 論文地址：https://www.nature.com/articles/s41593-023-01458-6
貝葉斯大腦假說是神經科學領域最具影響力的觀點之一。然而，由於在貝葉斯思想的操作方法上存在未說明的差異，因此很難就貝葉斯計算如何對映到神經迴路中得出一般性結論。該研究找出了這樣一種未說明的差異：有些理論詢問神經迴路如何從感覺神經活動中恢復有關世界的資訊（貝葉斯解碼），而另一些理論則詢問神經迴路如何在內部模型中實現推理（貝葉斯編碼）。這兩種方法所需的假設大相徑庭，對經驗資料的解釋也不盡相同。本文將從動機、經驗支援以及與神經資料的關係等方面對它們進行對比。本文還使用一個簡單的模型來論證編碼和解碼模型是互補而非競爭的。理解貝葉斯編碼和貝葉斯解碼之間的區別將有助於組織未來的工作，並對大腦推理的本質進行更有力的實證檢驗。
圖1：貝葉斯編碼的視覺化。a） 貝葉斯編碼假設大腦有一個輸入的內部模型，並且知覺推理是關於這個內部模型中的變數，不一定對應於外部世界本身的數量。此圖強調了世界模型和內部模型之間的這種區別。無論刺激是來自自然經驗還是來自人工任務，大腦總是計算內部變數的後驗變數 p（x|I）。b-e） 貝葉斯編碼的定義特徵是存在一個參考分佈 （b），通常是一組潛在變數 x 的後驗分佈，給定感官測量值 I。然後假設一種近似方案，例如變分推理 （b→c） 或採樣 （b→d），然後這種近似在神經活動模式 （e） 中實現。
圖2：貝葉斯解碼的視覺化。a） 從根本上說，解碼是一個從內部（神經）表徵中估計外部量的問題。該圖強調了世界上存在的刺激與大腦中估計或推斷的數量之間的對稱性。在這裡，標量刺激 s 引數化了引起神經反應的感覺輸入 I。解碼問題是大腦如何從r形成內部估計。b）解碼問題通常從刺激開始，例如給定空間頻率、大小、位置和對比度的光柵的方向。c-e） 給定一組神經元的調諧曲線到 s （c） 並在單次試驗 （d） 中觀察到尖峰，最優解碼器計算 p(s|r) （e）。
圖3：貝葉斯編碼和貝葉斯解碼的平行比較。在這兩個框架中，可以理解刺激 （I）、感覺神經反應 （r） 和行為之間存在機械的生物物理聯絡。在貝葉斯解碼框架中，重點放在解碼器從 r（綠色箭頭）估計刺激引數 s 的不確定性上。貝葉斯編碼假設存在一個具有潛在變數 x 的內部模型，並且神經響應 r 編碼後驗分佈 p(x|I) 的計算。從 p(x|I) 到 r 的藍色箭頭可以看作是抽象層次之間向下因果關係的例項，其中後驗（在演算法層面）的變化意味著神經反應的變化（在實現層面）。在貝葉斯解碼中，“似然”指的是p(r|s)，而推理問題是從r中恢復s。在貝葉斯編碼中，“似然”是指內部模型的 p(I|x)，推理問題是從 I 中恢復 x 並將 x 上的後驗嵌入到 r 中。在任何心理物理任務中，s 和 I 之間的聯絡取決於實驗（灰色括號）。重要的是，這將貝葉斯解碼模型中的“可能性”間接置於實驗者的控制之下（透過他們選擇的刺激），而不是貝葉斯編碼模型中的“可能性”。
貝葉斯大腦假說不是一個單一的理念，而是一系列計算模型、哲學思想和對各種經驗資料的解釋。它是一個框架，而不是一種理論。貝葉斯編碼和貝葉斯解碼是構建貝葉斯大腦假說中具體模型的互補方法。這兩種方法一直是模型之間差異的主要來源，而它們的互補性以前卻沒有被注意到。本文希望推動這些見解能讓我們對大腦在機率的神經表徵和行為方面推理的本質進行更清晰、更富有成效的討論。
編譯｜郭瑞東
計算神經科學讀書會
詳情請見：
推薦閱讀
1.
2.
3.
4.
5.
6.
