मस्तिष्क के कार्य के लिए बायेसियन दृष्टिकोण

From Vigyanwiki
Revision as of 05:43, 4 December 2023 by alpha>Indicwiki (Created page with "{{Short description|Explaining the brain's abilities through statistical principles}} मस्तिष्क के कामकाज के लिए बायेसिय...")
(diff) ← Older revision | Latest revision (diff) | Newer revision → (diff)

मस्तिष्क के कामकाज के लिए बायेसियन दृष्टिकोण अनिश्चितता की स्थितियों में काम करने के लिए तंत्रिका तंत्र की क्षमता की जांच इस तरह से करता है जो बायेसियन आंकड़ों द्वारा निर्धारित इष्टतम के करीब है।[1][2] इस शब्द का प्रयोग मनोविज्ञान और तंत्रिका विज्ञान में किया जाता है और इस शब्द से जुड़े अध्ययन अक्सर सांख्यिकीय सिद्धांतों के आधार पर मानव मस्तिष्क की संज्ञानात्मक क्षमताओं को समझाने का प्रयास करते हैं। अक्सर यह माना जाता है कि तंत्रिका तंत्र आंतरिक संभाव्य मॉडल बनाए रखता है जो कि बायेसियन संभाव्यता के अनुमानित तरीकों का उपयोग करके संवेदी जानकारी की तंत्रिका गणना द्वारा अद्यतन किया जाता है।[3][4]


उत्पत्ति

अध्ययन के इस क्षेत्र की ऐतिहासिक जड़ें यंत्र अधिगम , प्रायोगिक मनोविज्ञान और बायेसियन सांख्यिकी सहित कई विषयों में हैं। 1860 के दशक की शुरुआत में, प्रायोगिक मनोविज्ञान में हरमन हेल्महोल्त्ज़ के काम के साथ, संवेदी डेटा से अवधारणात्मक जानकारी निकालने की मस्तिष्क की क्षमता को संभाव्य अनुमान के संदर्भ में तैयार किया गया था।[5][6] मूल विचार यह है कि तंत्रिका तंत्र को संवेदी डेटा को बाहरी दुनिया के सटीक मानसिक मॉडल में व्यवस्थित करने की आवश्यकता है।

बायेसियन संभाव्यता कई महत्वपूर्ण योगदानकर्ताओं द्वारा विकसित की गई है। पियरे-साइमन लाप्लास, थॉमस बेयस, हेरोल्ड जेफ़्रीज़, रिचर्ड थ्रेलकेल्ड कॉक्स और एडविन थॉम्पसन जेन्स ने संभाव्यता को संभाव्यता की डिग्री के रूप में मानने के लिए गणितीय तकनीकों और प्रक्रियाओं का विकास किया, जिसे उपलब्ध साक्ष्य के आधार पर किसी दिए गए अनुमान या परिकल्पना को सौंपा जा सकता है।[7] 1988 में एडविन थॉम्पसन जेनेस ने मानसिक प्रक्रियाओं को मॉडल करने के लिए बायेसियन प्रोबेबिलिटी का उपयोग करने के लिए एक रूपरेखा प्रस्तुत की।[8] इस प्रकार यह जल्दी ही महसूस किया गया कि बायेसियन सांख्यिकीय ढांचा तंत्रिका तंत्र के कार्य में अंतर्दृष्टि प्रदान करने की क्षमता रखता है।

इस विचार को बिना पर्यवेक्षित शिक्षण , विशेष रूप से सिंथेसिस दृष्टिकोण द्वारा विश्लेषण, मशीन लर्निंग की शाखाओं पर शोध में लिया गया था।[9][10] 1983 में जेफ्री हिंटन और उनके सहयोगियों ने प्रस्तावित किया कि मस्तिष्क को बाहरी दुनिया की अनिश्चितताओं के आधार पर निर्णय लेने वाली मशीन के रूप में देखा जा सकता है।[11] 1990 के दशक के दौरान पीटर दयान, जेफ्री हिंटन और रिचर्ड ज़ेमेल सहित शोधकर्ताओं ने प्रस्तावित किया कि मस्तिष्क संभावनाओं के संदर्भ में दुनिया के ज्ञान का प्रतिनिधित्व करता है और ट्रैक्टेबल तंत्रिका प्रक्रियाओं के लिए विशिष्ट प्रस्ताव दिए जो ऐसी हेल्महोल्त्ज़ मशीन को प्रकट कर सकते हैं।[12][13][14]


मनोभौतिकी

अध्ययनों की एक विस्तृत श्रृंखला बायेसियन अवधारणात्मक मॉडल के प्रकाश में मनोभौतिक प्रयोगों के परिणामों की व्याख्या करती है। मानव अवधारणात्मक और मोटर व्यवहार के कई पहलुओं को बायेसियन सांख्यिकी के साथ मॉडल किया जा सकता है। यह दृष्टिकोण, तंत्रिका सूचना प्रसंस्करण की अंतिम अभिव्यक्ति के रूप में व्यवहारिक परिणामों पर जोर देने के साथ, बायेसियन निर्णय सिद्धांत का उपयोग करके संवेदी और मोटर निर्णयों के मॉडलिंग के लिए भी जाना जाता है। उदाहरण माइकल एस लैंडी का काम है,[15][16] जैकब्स,[17][18] जॉर्डन, निल,[19][20] कोर्डिंग और वोल्पर्ट,[21][22] और गोल्डरिच.[23][24][25]


तंत्रिका कोडिंग

कई सैद्धांतिक अध्ययन पूछते हैं कि तंत्रिका तंत्र बायेसियन एल्गोरिदम को कैसे लागू कर सकता है। उदाहरण पॉगेट, ज़ेमेल, डेनेवे, लैथम, हिंटन और दयान के काम हैं। जॉर्ज और जेफ हॉकिन्स ने एक पेपर प्रकाशित किया जो कॉर्टिकल सूचना प्रसंस्करण का एक मॉडल स्थापित करता है जिसे पदानुक्रमित टेम्पोरल मेमोरी कहा जाता है जो मार्कोव श्रृंखलाओं के बायेसियन नेटवर्क पर आधारित है। वे इस गणितीय मॉडल को कॉर्टेक्स की वास्तुकला के बारे में मौजूदा ज्ञान से जोड़ते हैं और दिखाते हैं कि कैसे न्यूरॉन्स पदानुक्रमित बायेसियन अनुमान द्वारा पैटर्न को पहचान सकते हैं।[26]


इलेक्ट्रोफिजियोलॉजी

हाल के कई इलेक्ट्रोफिजियोलॉजिकल अध्ययन तंत्रिका तंत्र में संभावनाओं के प्रतिनिधित्व पर ध्यान केंद्रित करते हैं। उदाहरण माइकल शैडलेन और शुल्त्स का काम है।

भविष्य कहनेवाला कोडिंग

पूर्वानुमानित कोडिंग भविष्यवाणी त्रुटि को कम करने के आधार पर संवेदी इनपुट के कारणों का अनुमान लगाने के लिए एक न्यूरोबायोलॉजिकल रूप से प्रशंसनीय योजना है।[27] ये योजनाएँ औपचारिक रूप से कलमन फ़िल्टरिंग और अन्य बायेसियन अद्यतन योजनाओं से संबंधित हैं।

मुक्त ऊर्जा

1990 के दशक के दौरान जेफ्री हिंटन और कार्ल फ्रिस्टन जैसे कुछ शोधकर्ताओं ने दुनिया की वास्तविक विशेषताओं और तंत्रिका नेटवर्क मॉडल द्वारा कैप्चर की गई उन विशेषताओं के प्रतिनिधित्व के बीच विसंगति के एक गणना योग्य उपाय के रूप में थर्मोडायनामिक मुक्त ऊर्जा की अवधारणा की जांच शुरू की।[28] हाल ही में एक संश्लेषण का प्रयास किया गया है[29] कार्ल फ्रिस्टन द्वारा, जिसमें बायेसियन मस्तिष्क एक सामान्य मुक्त ऊर्जा सिद्धांत से उभरता है।[30] इस ढांचे में, क्रिया और धारणा दोनों को मुक्त-ऊर्जा को दबाने के परिणाम के रूप में देखा जाता है, जो अवधारणात्मक की ओर ले जाता है[31] और सक्रिय अनुमान[32] और बायेसियन मस्तिष्क का एक अधिक सन्निहित (सक्रिय) दृश्य। वैरिएबल बायेसियन तरीकों का उपयोग करके, यह दिखाया जा सकता है कि कैसे दुनिया के मानसिक मॉडल को संवेदी जानकारी द्वारा मुक्त ऊर्जा या संवेदी इनपुट और उस इनपुट की भविष्यवाणियों के बीच विसंगति को कम करने के लिए अद्यतन किया जाता है। इसे पूर्वानुमानित कोडिंग या, अधिक सामान्यतः, बायेसियन फ़िल्टरिंग के रूप में (न्यूरोबायोलॉजिकल रूप से प्रशंसनीय शब्दों में) डाला जा सकता है।

फ्रिस्टन के अनुसार:[33] <ब्लॉककोट> यहां मानी गई मुक्त-ऊर्जा पर्यावरण के साथ किसी भी आदान-प्रदान में निहित आश्चर्य पर एक सीमा का प्रतिनिधित्व करती है, इसकी स्थिति या कॉन्फ़िगरेशन द्वारा एन्कोड की गई अपेक्षाओं के तहत। एक प्रणाली पर्यावरण के नमूने लेने के तरीके को बदलने या अपनी अपेक्षाओं को बदलने के लिए अपने कॉन्फ़िगरेशन को बदलकर मुक्त ऊर्जा को कम कर सकती है। ये परिवर्तन क्रमशः क्रिया और धारणा के अनुरूप होते हैं, और पर्यावरण के साथ एक अनुकूली आदान-प्रदान की ओर ले जाते हैं जो जैविक प्रणालियों की विशेषता है। इस उपचार का तात्पर्य यह है कि सिस्टम की स्थिति और संरचना पर्यावरण के एक अंतर्निहित और संभाव्य मॉडल को कूटबद्ध करती है।[33]</ब्लॉककोट>

अनुसंधान के इस क्षेत्र को नये वैज्ञानिक में 2008 के एक लेख में आम आदमी द्वारा समझने योग्य शब्दों में संक्षेपित किया गया था, जिसमें मस्तिष्क कार्य का एक एकीकृत सिद्धांत प्रस्तुत किया गया था।[34] फ्रिस्टन सिद्धांत की व्याख्यात्मक शक्ति के बारे में निम्नलिखित दावे करता है:

<ब्लॉककोट> मस्तिष्क कार्य का यह मॉडल मस्तिष्क प्रणालियों के शारीरिक और शारीरिक पहलुओं की एक विस्तृत श्रृंखला की व्याख्या कर सकता है; उदाहरण के लिए, कॉर्टिकल क्षेत्रों की पदानुक्रमित तैनाती, आगे और पीछे के कनेक्शन का उपयोग करते हुए आवर्ती आर्किटेक्चर और इन कनेक्शनों में कार्यात्मक विषमताएं। सिनैप्टिक फिजियोलॉजी के संदर्भ में, यह साहचर्य प्लास्टिसिटी की भविष्यवाणी करता है और, गतिशील मॉडल के लिए, स्पाइक-टाइमिंग-निर्भर प्लास्टिसिटी की भविष्यवाणी करता है। इलेक्ट्रोफिजियोलॉजी के संदर्भ में यह शास्त्रीय और अतिरिक्त-शास्त्रीय ग्रहणशील क्षेत्र प्रभावों और उत्पन्न कॉर्टिकल प्रतिक्रियाओं के लंबे विलंबता या अंतर्जात घटकों के लिए जिम्मेदार है। यह अवधारणात्मक सीखने के साथ प्रतिक्रियाओं एन्कोडिंग भविष्यवाणी त्रुटि के क्षीणन की भविष्यवाणी करता है और पुनरावृत्ति दमन, बेमेल नकारात्मकता और इलेक्ट्रोएन्सेफलोग्राफी में P300 जैसी कई घटनाओं की व्याख्या करता है। मनोभौतिकीय शब्दों में, यह इन शारीरिक घटनाओं के व्यवहार संबंधी सहसंबंधों का वर्णन करता है, उदाहरण के लिए, प्राइमिंग (मनोविज्ञान), और वैश्विक प्राथमिकता।[33]</ब्लॉककोट>

<ब्लॉककोट> यह दिखाना काफी आसान है कि अवधारणात्मक अनुमान और सीखना दोनों मुक्त ऊर्जा को कम करने या भविष्यवाणी त्रुटि के दमन पर आधारित हैं।[33]</ब्लॉककोट>

यह भी देखें

संदर्भ

  1. Whatever next? Predictive brains, situated agents, and the future of cognitive science. (2013). Behavioral and Brain Sciences Behav Brain Sci, 36(03), 181-204. doi:10.1017/s0140525x12000477
  2. Sanders, Laura (May 13, 2016). "बायेसियन तर्क कुछ मानसिक विकारों में निहित है". Science News. Retrieved 20 July 2016.
  3. Kenji Doya (Editor), Shin Ishii (Editor), Alexandre Pouget (Editor), Rajesh P. N. Rao (Editor) (2007), Bayesian Brain: Probabilistic Approaches to Neural Coding, The MIT Press; 1 edition (Jan 1 2007)
  4. Knill David, Pouget Alexandre (2004), The Bayesian brain: the role of uncertainty in neural coding and computation, Trends in Neurosciences Vol.27 No.12 December 2004
  5. Helmholtz, H. (1860/1962). Handbuch der physiologischen optik (Southall, J. P. C. (Ed.), English trans.), Vol. 3. New York: Dover.
  6. Westheimer, G. (2008) Was Helmholtz a Bayesian?" Perception 39, 642–50
  7. Jaynes, E. T., 1986, `Bayesian Methods: General Background,' in Maximum-Entropy and Bayesian Methods in Applied Statistics, J. H. Justice (ed.), Cambridge Univ. Press, Cambridge
  8. Jaynes, E. T., 1988, `How Does the Brain Do Plausible Reasoning?', in Maximum-Entropy and Bayesian Methods in Science and Engineering, 1, G. J. Erickson and C. R. Smith (eds.)
  9. Ghahramani, Z. (2004). Unsupervised learning. In O. Bousquet, G. Raetsch, & U. von Luxburg (Eds.), Advanced lectures on machine learning. Berlin: Springer-Verlag.
  10. Neisser, U., 1967. Cognitive Psychology. Appleton-Century-Crofts, New York.
  11. Fahlman, S.E., Hinton, G.E. and Sejnowski, T.J.(1983). Massively parallel architectures for A.I.: Netl, Thistle, and Boltzmann machines. Proceedings of the National Conference on Artificial Intelligence, Washington DC.
  12. Dayan, P., Hinton, G. E., & Neal, R. M. (1995). The Helmholtz machine. Neural Computation, 7, 889–904.
  13. Dayan, P. and Hinton, G. E. (1996), Varieties of Helmholtz machines, Neural Networks, 9 1385–1403.
  14. Hinton, G. E., Dayan, P., To, A. and Neal R. M. (1995), The Helmholtz machine through time., Fogelman-Soulie and R. Gallinari (editors) ICANN-95, 483–490
  15. Tassinari H, Hudson TE & Landy MS. (2006). Combining priors and noisy visual cues in a rapid pointing task" Journal of Neuroscience 26(40), 10154–10163.
  16. Hudson TE, Maloney LT & Landy MS. (2008). Optimal compensation for temporal uncertainty in movement planning. PLoS Computational Biology, 4(7).
  17. Jacobs RA (1999). Optimal integration of texture and motion cues to depth" Vision Research 39(21), 3621–9.
  18. Battaglia PW, Jacobs RA & Aslin RN (2003). Bayesian integration of visual and auditory signals for spatial localization. Journal of the Optical Society of America, 20(7), 1391–7.
  19. Knill DC (2005). Reaching for visual cues to depth: The brain combines depth cues differently for motor control and perception. Journal of Vision, 5(2), 103:15.
  20. Knill DC (2007). Learning Bayesian priors for depth perception Archived 2008-11-21 at the Wayback Machine. Journal of Vision, 7(8), 1–20.
  21. Koerding KP & Wolpert DM (2004). Bayesian integration in sensorimotor learning. Nature, 427, 244–7.
  22. Koerding KP, Ku S & Wolpert DM (2004). Bayesian integration in force estimation" Journal of Neurophysiology 92, 3161–5.
  23. Goldreich, D (Mar 28, 2007). "एक बायेसियन अवधारणात्मक मॉडल त्वचीय खरगोश और अन्य स्पर्शनीय स्पेटियोटेम्पोरल भ्रम की नकल करता है।". PLOS ONE. 2 (3): e333. Bibcode:2007PLoSO...2..333G. doi:10.1371/journal.pone.0000333. PMC 1828626. PMID 17389923.
  24. Goldreich, Daniel; Tong, Jonathan (10 May 2013). "Prediction, Postdiction, and Perceptual Length Contraction: A Bayesian Low-Speed Prior Captures the Cutaneous Rabbit and Related Illusions". Frontiers in Psychology. 4 (221): 221. doi:10.3389/fpsyg.2013.00221. PMC 3650428. PMID 23675360.
  25. Goldreich, D; Peterson, MA (2012). "एक बायेसियन पर्यवेक्षक आकृति-जमीन धारणा में उत्तलता संदर्भ प्रभावों को दोहराता है।". Seeing and Perceiving. 25 (3–4): 365–95. doi:10.1163/187847612X634445. PMID 22564398. S2CID 4931501.
  26. George D, Hawkins J, 2009 Towards a Mathematical Theory of Cortical Micro-circuits" PLoS Comput Biol 5(10) e1000532. doi:10.1371/journal.pcbi.1000532
  27. Rao RPN, Ballard DH. Predictive coding in the visual cortex: a functional interpretation of some extra-classical receptive-field effects. Nature Neuroscience. 1999. 2:79–87
  28. Hinton, G. E. and Zemel, R. S.(1994), Autoencoders, minimum description length, and Helmholtz free energy. Advances in Neural Information Processing Systems 6. J. D. Cowan, G. Tesauro and J. Alspector (Eds.), Morgan Kaufmann: San Mateo, CA.
  29. Friston K, The free-energy principle: A unified brain theory?, Nat Rev Neurosci. 2010. 11:127–38
  30. Friston K, Kilner J, Harrison L. A free energy principle for the brain, J Physiol Paris. 2006. 100:70–87
  31. Friston K, A theory of cortical responses, Philos Trans R Soc Lond B Biol Sci. 2005. 360:815–36.
  32. Friston KJ, Daunizeau J, Kilner J, Kiebel SJ. Action and behavior: A free-energy formulation, Biol Cybern. 2010. 102:227–60
  33. 33.0 33.1 33.2 33.3 Friston K, Stephan KE., Free energy and the brain, Synthese. 2007. 159:417–458
  34. Huang Gregory (2008), "Is This a Unified Theory of the Brain?", New Scientist. May 23, 2008.


बाहरी संबंध