Bayesian causal inference: A unifying neuroscience theory

摘要

对大脑和支配神经处理的原理的理解需要简洁的理论,能够解释一系列不同的现象,并且能够做出可检验的预测。在这里,我们回顾贝叶斯因果推理理论,该理论已经由几个研究小组在人类和其他灵长类动物的各种任务中进行了测试、完善和扩展。贝叶斯因果推理是规范性的,已经解释了大量任务中的人类行为,包括单感觉和多感觉 知觉任务、感觉运动和运动任务,并解释了反直觉的发现。该理论做出了经过实验测试和证实的新颖预测,最近的研究已经开始绘制其算法和人脑中的神经实现。该理论所解释的现象的简约性和多样性,以及它在Marr 分析的所有三个层次上对大脑功能的启发,使得贝叶斯因果推理成为一个强大的神经科学理论。这也强调了协作和多学科研究对神经科学新理论发展的重要性。

其他参考：

主观世界模型的3类4组18个惊奇的理论分析

世界模型为什么效果好、自由能世界模型的理论高度和潜力（信息量大）

走向最小统一意识模型

预测编码和主动推理的大脑结构的演变

脑网络 结构 功能 模块 元素 最全面 复杂 清晰 类芯片多图

直接颠覆BP的生物学习算法

清华：下一代认知深度学习，端到端一起训练逻辑和感知

Self-Expanding ⾃扩展神经⽹络

最新代码：一个epoch打天下：深度Hebbian BP (华为实验室)

AGI之 概率溯因推理超越人类水平

为什么是量子大脑？

世界模型仅用 1 小时训练一个四足机器人从头开始翻滚、站立和行走，无需重置。10 分钟内适应扰动或快速翻身站立

脑启发的ANN学习机制综述

统一自监督学习框架 （华为）

神经科学的深度学习框架

大脑中复杂适应动力学的神经调节控制

从第一原理超越chatGPT需攻克的一点

下一代神经网络深度学习 技术亮点梳理-换道chatGPT

2000行AlphaZero算法通用简单快速实现