Biologische Plausibilität bayesianischer Kognitionsmodelle

Beim Ausführen bestimmter Aufgaben nähern sich die Schlussfolgerungen der Menschen der Bayes'schen Schlussfolgerung in bemerkenswertem Maße an. Wenn Menschen beispielsweise sowohl haptische als auch visuelle Informationen über die Größe eines Objekts erhalten, kombinieren sie diese Informationen auf eine Weise, die der Bayes'schen Inferenz sehr ähnlich ist, wobei sie die mit den visuellen und haptischen Informationen verbundenen Unsicherheiten berücksichtigen (z. B. Ernst & Banks , 2002). Diese Optimalität kann bei vielen Wahrnehmungs- (Knill & Pouget, 2004) und sensomotorischen (Kording & Wolpert, 2004, 2006) Aufgaben und über eine Reihe von Informationsquellen (z. B. einschließlich früherer Überzeugungen und multipler sensorischer Eingaben) beobachtet werden. Diese Ergebnisse legen nahe, dass es biologische Mechanismen geben muss, die entweder die Bayes'sche Inferenz implementieren oder etwas implementieren, das ihr sehr ähnlich ist.

Gleichzeitig besteht kein Konsens darüber, wie dies geschehen soll. Während es Vorschläge dazu gibt, wie neuronale Populationen Bayessche Inferenz durchführen könnten (z. B. Ma, Beck, Latham & Pouget, 2006; Knill & Pouget, 2004; Kover & Bao, 2010), ist es derzeit schwierig, diese Vorschläge zu bewerten: verfügbare neurowissenschaftliche Beweise sind ziemlich begrenzt. Da die überzeugendsten Beweise für die Bayes'sche Schlussfolgerung auf Wahrnehmungsprozesse auf niedriger Ebene beschränkt sind, ist es außerdem möglich, dass Schlussfolgerungen auf höherer Ebene durch biologische Mechanismen implementiert werden, die keine Bayes'sche Schlussfolgerung durchführen. Angesichts der Rechenschwierigkeiten der Bayes'schen Inferenz im Allgemeinen scheint es tatsächlich so gut wie unvermeidlich, dass viele biologische Mechanismen die Bayes'sche Inferenz nicht genau umsetzen werden.

Zusammenfassend lässt sich sagen, dass einige biologische Mechanismen so etwas wie Bayessche Inferenz durchführen müssen, aber Forscher haben gerade erst begonnen zu erforschen, wie dies geschieht, und inwieweit Wahrnehmung und Kognition auf hoher Ebene auf Bayesschen Berechnungen beruhen, bleibt unklar.

Verweise

Knill, DC, & Pouget, A. (2004). Das Bayes'sche Gehirn: Die Rolle der Unsicherheit bei der neuronalen Codierung und Berechnung. Trends in den Neurowissenschaften, 27 (12), 712-719. [pdf ]

Kording, KP, & Wolpert, DM (2004). Bayessche Integration beim sensomotorischen Lernen. Nautre, 427, 244-247. [pdf ]

Kording, K. P. & Wolpert, DM (2006). Bayessche Entscheidungstheorie in der sensomotorischen Kontrolle. Trends in den Kognitionswissenschaften, 10 (7), 319-326. [pdf ]

Ma, WJ, Beck, JM, Latham, PE, & Pouget, A. (2006). Bayessche Inferenz mit probabilistischen Populationscodes. Nature Neuroscience, 9 (11), 1432-1438. [pdf ]

Ernst, MO, & Banks, MS (2002). Der Mensch integriert visuelle und haptische Informationen statistisch optimal. Natur, 415, 429-433. [Link ]