Публичная лекция "Активный вывод и глубокие временные модели"
Время проведения лекции: 17:00-19:00
Место проведения лекции: ул. Сретенка, д. 29, ауд. 506, 5 этаж
В лекции будет рассказано о глубоких временных моделях (deep temporal models), основанных на Марковских процессах принятия решений. Эти представления базируются на выдвинутой ранее теории активного вывода (active inference – активный сбор информации мозгом для проверки и обновления предсказаний об окружающем мире) и используются для симуляции как поведения, так и электрофизиологических данных – в рамках иерархических порождающих моделей переходов между дискретными состояниями. Инверсия таких моделей (выявление скрытых причин путем анализа следствий) базируется на вложенных последовательных выводах (предсказаниях), организованных таким образом, что изменение состояния на более высоком иерархическом уровне влечет за собой множественные изменения состояния на нижележащем уровне. Глубокая структурированность этих моделей во временном аспекте означает, что свидетельства накапливаются в различных временных масштабах, позволяя делать выводы в нарративах (то есть, в последовательностях сцен, упорядоченных во времени) – как это, например, можно наблюдать при чтении текстов. Мы иллюстрируем такое поведение в контексте представлений об обновлении «байесовских сетей доверия» – и соответствующих теорий нейронных процессов – для объяснения феномена поиска и накопления информации, направленного на разрешение неопределенностей (epistemic foraging), наблюдаемого при чтении. Компьютерные симуляционные модели, имитирующие такие процессы, позволяют воспроизвести экспериментальные данные по перисаккадической нейронной активности и локальным потенциалам поля; в частности, это относится к исследованиям накопления свидетельств и к регистрации активности нейронов места. Наконец, мы используем глубокую структуру этих моделей для компьютерной симуляции ответов на локальные (например, тип шрифта) и глобальные (например, семантические) нарушения упорядоченности в последовательностях стимулов, позволяющей воспроизвести такие эффекты, как негативность рассогласования и потенциал P300 соответственно.
This presentation introduces deep temporal models based on Markov decision processes. It builds on previous formulations of active inference to simulate behaviour and electrophysiological responses under hierarchical generative models of discrete state transitions. The inversion of these models involves nested sequential inference, such that a transition at a higher hierarchical level entails multiple transitions at the level below. The deeply structured temporal aspect of these models means that evidence is accumulated over distinct temporal scales, enabling inferences about narratives (i.e., temporal scenes) of the sort seen in reading. We illustrate this behaviour in terms of Bayesian belief updating – and associated neuronal process theories – to reproduce the epistemic foraging seen in reading. These simulations reproduce these sort of perisaccadic delay period activity and local field potentials seen empirically; including evidence accumulation and place cell activity. Finally, we exploit the deep structure of these models to simulate responses to local (e.g., font type) and global (e.g., semantic) violations; reproducing mismatch negativity and P300 responses respectively.