What the temporal dynamics of unimodal sensory estimation can tell us about statistically optimal multimodal integration
Notice bibliographique
Résumé
The brain combines noisy, redundant stimulus estimates (e.g., position of an object provided by vision and haptics) in proportion to their reliabilities. The mechanisms used by the brain to assess reliability (inverse of noise) of its estimates are, however, not fully understood. Most models make the untested assumption that internal estimates of a property respond rapidly to fluctuations arising from noise. We tested this assumption by employing a visual stimulus consisting of an array of flickering vertical lines distributed to produce an area of higher density which the subject had to track. This stimulus was similar to one that has been shown (Byrne and Henriques, 2013) to combine optimally with haptic estimates of position. The area of higher density was inconspicuously jumped left or right at varying time intervals before the subject indicated its location relative to a reference line. By looking for whether the jump affected subjects’ judgements, we could assess the time required for updating internal position estimates. Subjects’ responses showed that large jumps had little effect on position estimates until the post-jump stimulus was present for over 300 ms. At this time the estimate suddenly transitioned to a new location. Updating for smaller jumps proceeded more smoothly. These results imply that position estimates are maintained in an ‘attractor’, which takes time to shift when sensory information changes. This is inconsistent with current models of how reliability is computed by the brain because such models, which rely on population coding or temporal sampling, require estimates to fluctuate in lock-step with noise.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».