An alternative to explicit divisive normalization models
Notice bibliographique
Résumé
Probabilistic inference lies at the heart of many crucial brain processes, such as primary visual processing, attentional modulation, multi-sensory integration, reference frame transformations, decision making, etc. It is possible that inference is implemented by marginalization across variables through explicit divisive normalization. However, direct evidence for such processes in the brain is sparse and further, for all but the simplest distributions, explicit marginalization requires intractable normalization operations. Here, we argue that explicit divisive normalization is not the only way marginalization can be performed and we propose an alternative, physiologically more realistic mechanism. This alternative mechanism (implicit approximate normalization: IAN) is based on well-established parallel computing and machine learning principles and is functionally equivalent to divisive normalization without requiring intractable sums/integrals. Specifically, we implemented multi-layer feed-forward neural networks and trained them to carry out several tasks using a pseudo-Newton method with preconditioned conjugate gradient descent. Doing so, we explicitly modelled near optimal multi-sensory integration, reference frame transformations and both in combination. We did so using different neural coding schemes within the same network, i.e. probabilistic spatial codes and probabilistic joint codes. We also implemented comparable spiking networks with realistic synaptic dynamics, demonstrating the feasibility of IAN at the spiking neuron level. Our networks produce a wide range of behaviours, similar to observations of real neurons in the brain. These include inverse effectiveness, the spatial correspondence principle, super-additivity, gain-like modulations and multi-sensory suppression. One advantage of IAN is that it works regardless of the coding scheme used in individual neurons, while divisive normalization requires explicitly matching population codes. In addition, IAN does not need a neatly organized and regular connectivity structure between contributing neurons, such as required by divisive normalization. Overall, our study demonstrates that marginalizing operations can be carried out in simple networks of purely additive neurons without explicit divisive normalization. Meeting abstract presented at VSS 2012
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».