Количественная биология > Нейроны и когниция [представлена 16 сентября 2026 года] Название: Neural шум позволяет точно симулировать редкие события View PDF HTML (экспериментальный) Резюме: Мозг нуждается в точной внутренней модели мира для подготовки прогнозов и руководства поведением. Однако она должна оценивать статистическую структуру окружающей среды на основе ограниченного опыта. Это особенно трудно для редких случаев, когда наблюдаемые частоты в ограниченной выборке могут существенно занижать или переоценивать их реальные частоты. Как мозг строит точную внутреннюю модель, несмотря на эту проблему с отбором проб, остается неясным. Мы решим эту проблему с помощью Байесовской сети пропаганды доверия (BCPN), обученной последовательности событий от случайных прогулок Маркова с контролируемыми частотами событий. Рассматривая структуру Маркова как правду, мы тренируем сеть на ограниченном выборке последовательности событий и затем позволяем ей генерировать автономный репроигрыватель на основе изученной структуры. Мы оцениваем достоверность воспроизведения на уровнях как предельных частот событий, так и условной переходной структуры. Мы считаем, что умеренный нейронный шум, смоделированный как корреляционные случайные колебания в единичной активности во время репроигрывания, имеет решающее значение для верного внутреннего моделирования. Без такой изменчивости детерминистская повторная игра систематически недооценивает или перенасыщает редкие события, в то время как умеренный…
Нейронный шум позволяет точно имитировать редкие явления внутри страны
arXiv: 26009.18033v1 Annuate Type: New Human Abstract: Мозг нуждается в точной внутренней модели мира, чтобы генерировать прогнозы и направлять поведение. Однако она должна оценивать статистическую структуру окружающей среды на основе ограниченного опыта. Это особенно трудно для редких случаев, когда наблюдаемые частоты в ограниченной выборке могут существенно занижать или переоценивать их реальные частоты. Как мозг строит точную внутреннюю модель, несмотря на эту проблему с отбором проб, остается неясным. Мы решим эту проблему с помощью Байесовской сети пропаганды доверия (BCPN), обученной последовательности событий от случайных прогулок Маркова с контролируемыми частотами событий. Рассматривая структуру Маркова как правду, мы тренируем сеть на ограниченном выборке последовательности событий и затем позволяем ей генерировать автономный репроигрыватель на основе изученной структуры. Мы оцениваем достоверность воспроизведения на уровнях как предельных частот событий, так и условной переходной структуры. W