Linking normative models for natural tasks and subunit models of neural response
Notice bibliographique
Résumé
Understanding how the nervous system exploits task relevant properties of sensory stimuli to perform natural tasks is central to the study of perceptual systems. Recently, a Bayesian ideal observer method was developed for task-specific dimensionality reduction called Accuracy Maximization Analysis. AMA returns the encoding filters (receptive fields) that extract the most useful stimulus features for specific estimation and categorization tasks. Unfortunately, in its original form, AMA's compute time is quadratic in the number of stimuli in the training set, rendering it impractical for large scale problems without specialized computing resources. Here, we develop AMA-Gauss, a new more practical form of AMA that reduces compute time from quadratic to linear in the number of stimuli by incorporating the assumption that the conditional filter responses are Gaussian distributed. First, we verify the expected compute time decreases with two fundamental tasks in early vision: binocular disparity estimation and retinal speed estimation. Second, we demonstrate that the task-specific receptive fields returned by AMA-Gauss closely approximate the properties of receptive fields in cortex. Third, we show that the Gaussian assumption is justified for all three tasks with natural stimuli and biologically realistic contrast normalization. Fourth, we show that quadratic computations are required to compute the likelihood function and posterior probability distribution over the latent variable. Fifth, we make explicit the formal similarities between AMA-Gauss and the Generalized Quadratic Model (GQM), a recently developed method for neural systems identification. Together, these results provide a normative explanation for why energy-model-like (i.e. quadratic) computations account well for the response properties of neurons involved in these tasks. These developments should help accelerate research with natural stimuli, deepen our understanding of why classic descriptive models have proved successful, and improve our ability to evaluate results from subunit model fits to neural data. Meeting abstract presented at VSS 2017
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 | 0,005 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».