Nat. Neurosci.速递：贝叶斯编码和解码作为神经编码的不同视角

关键词：贝叶斯大脑假说，神经编码

论文题目：Bayesian encoding and decoding as distinct perspectives on neural coding论文期刊：Nature Neuroscience论文地址：https://www.nature.com/articles/s41593-023-01458-6

贝叶斯大脑假说是神经科学领域最具影响力的观点之一。然而，由于在贝叶斯思想的操作方法上存在未说明的差异，因此很难就贝叶斯计算如何映射到神经回路中得出一般性结论。该研究找出了这样一种未说明的差异：有些理论询问神经回路如何从感觉神经活动中恢复有关世界的信息（贝叶斯解码），而另一些理论则询问神经回路如何在内部模型中实现推理（贝叶斯编码）。这两种方法所需的假设大相径庭，对经验数据的解释也不尽相同。本文将从动机、经验支持以及与神经数据的关系等方面对它们进行对比。本文还使用一个简单的模型来论证编码和解码模型是互补而非竞争的。理解贝叶斯编码和贝叶斯解码之间的区别将有助于组织未来的工作，并对大脑推理的本质进行更有力的实证检验。

图1：贝叶斯编码的可视化。a） 贝叶斯编码假设大脑有一个输入的内部模型，并且知觉推理是关于这个内部模型中的变量，不一定对应于外部世界本身的数量。此图强调了世界模型和内部模型之间的这种区别。无论刺激是来自自然经验还是来自人工任务，大脑总是计算内部变量的后验变量 p（x|I）。b-e） 贝叶斯编码的定义特征是存在一个参考分布 （b），通常是一组潜在变量 x 的后验分布，给定感官测量值 I。然后假设一种近似方案，例如变分推理 （b→c） 或采样 （b→d），然后这种近似在神经活动模式 （e） 中实现。

图2：贝叶斯解码的可视化。a） 从根本上说，解码是一个从内部（神经）表征中估计外部量的问题。该图强调了世界上存在的刺激与大脑中估计或推断的数量之间的对称性。在这里，标量刺激 s 参数化了引起神经反应的感觉输入 I。解码问题是大脑如何从r形成内部估计。b）解码问题通常从刺激开始，例如给定空间频率、大小、位置和对比度的光栅的方向。c-e） 给定一组神经元的调谐曲线到 s （c） 并在单次试验 （d） 中观察到尖峰，最优解码器计算 p(s|r) （e）。

图3：贝叶斯编码和贝叶斯解码的平行比较。在这两个框架中，可以理解刺激 （I）、感觉神经反应 （r） 和行为之间存在机械的生物物理联系。在贝叶斯解码框架中，重点放在解码器从 r（绿色箭头）估计刺激参数 s 的不确定性上。贝叶斯编码假设存在一个具有潜在变量 x 的内部模型，并且神经响应 r 编码后验分布 p(x|I) 的计算。从 p(x|I) 到 r 的蓝色箭头可以看作是抽象层次之间向下因果关系的实例，其中后验（在算法层面）的变化意味着神经反应的变化（在实现层面）。在贝叶斯解码中，“似然”指的是p(r|s)，而推理问题是从r中恢复s。在贝叶斯编码中，“似然”是指内部模型的 p(I|x)，推理问题是从 I 中恢复 x 并将 x 上的后验嵌入到 r 中。在任何心理物理任务中，s 和 I 之间的联系取决于实验（灰色括号）。重要的是，这将贝叶斯解码模型中的“可能性”间接置于实验者的控制之下（通过他们选择的刺激），而不是贝叶斯编码模型中的“可能性”。

贝叶斯大脑假说不是一个单一的理念，而是一系列计算模型、哲学思想和对各种经验数据的解释。它是一个框架，而不是一种理论。贝叶斯编码和贝叶斯解码是构建贝叶斯大脑假说中具体模型的互补方法。这两种方法一直是模型之间差异的主要来源，而它们的互补性以前却没有被注意到。本文希望推动这些见解能让我们对大脑在概率的神经表征和行为方面推理的本质进行更清晰、更富有成效的讨论。

编译｜郭瑞东

计算神经科学读书会

详情请见：

计算神经科学读书会启动：从复杂神经动力学到类脑人工智能

‍推荐阅读1. Nat. Mach. Intell. 速递：超越无限宽度限制的贝叶斯深度神经网络的统计力学框架2. PNAS. 速递：大脑环形吸引子网络中的贝叶斯推理3. PNAS速递：基于贝叶斯的人机混合预测框架4. 张江：第三代人工智能技术基础——从可微分编程到因果推理 | 集智学园全新课程5. 加入集智学园VIP，一次性获取集智平台所有内容资源6. 加入集智，一起复杂！

点击“阅读原文”，报名读书会