Probabilistische Ansätze zur Modellierung von Kognition erfreuen sich zunehmender Beliebtheit und werden in diesem Bereich gefördert ( Chater, Tanenbaum, & Yuille, 2006 ).
Was sind einige der Argumente oder Nachteile (außer Skalierbarkeit/Widerstandsfähigkeit) für die Verwendung dieses Ansatzes?
Probabilistische Ansätze dieser Art werden normalerweise genauer als Bayesianischer Ansatz bezeichnet, und Chater und Tanenbaum sind definitiv Bayesianer (ich habe nicht viel von Yuille gelesen und kann nichts dazu sagen). Der Bayesianismus ist mehr als nur eine zunehmende Popularität und Ermutigung; Es gilt als einer der Big-4-Ansätze zur kognitiven Modellierung, die anderen 3 sind: Konnektionismus, regelbasierte und dynamische Systeme. Der bayessche Ansatz hat viele Vorteile und hat viele großartige Ergebnisse hervorgebracht, aber da sich Ihre Frage auf die Nachteile bezieht, werde ich mich ausschließlich darauf konzentrieren. Zwei Hauptnachteile sind: neurale Erdung und Rationalität.
Neuronale Erdung ist eine Schwäche, die die gesamte Big-4- und Kognitionswissenschaft im Allgemeinen plagt. Die Idee ist, dass wir, wenn wir Modelle des Geistes bauen, sie schließlich im Gehirn erden wollen ; dies ist ein Standardmerkmal des Reduktionismus. Der bayessche Ansatz wird oft als "Wahrscheinlichkeiten über Regeln" zusammengefasst und leidet unter der gleichen Schwierigkeit der neuronalen Erdung wie der regelbasierte Ansatz. Es ist oft nicht klar, wie das Gehirn diese ausgeklügelte bayessche Inferenz implementiert (aber die Fachwelt ist sich dieses Problems bewusst und arbeitet hart daran, es zu lösen). Ist das ein Gamekiller? Nicht wirklich, der Konnektionismus wird oft als die "biologisch plausiblere" Alternative angesehen, aber die meisten populären konnektionistischen Modelle können genauso leicht auf ihre biologische Lebensfähigkeit in Frage gestellt werden. Das Problem kann auch vollständig umgangen werden, indem gesagt wird, dass wir die Kognition auf einer anderen Ebene als der biologischen Implementierung ansprechen möchten (ähnlich wie die Thermodynamik Gesetze ohne die spezifische Grundlage haben kann, die die statistische Mechanik bietet). Ein Beispiel dafür auf unserer Website ist die Suche nach behavioristischen Interpretationen von Modellen (beachten Sie, dass die Entscheidungsfeldtheorie eher in den Ansatz dynamischer Systeme fällt, also kein perfektes Beispiel ist).
Die viel prominentere Schwäche ist für mich die Rationalität . Die Bayes-Regel ist von Natur aus rational – Menschen sind es nicht; Ein Bayesianer muss verschiedene Hacks anwenden, um der menschlichen Irrationalität Rechnung zu tragen . Der Konnektionismus leidet nicht unter diesem Nachteil, ebensowenig wie einige exotische Ansätze wie Busemeyers Quantenkognition (ich gebe in dieser Antwort eine Skizze ). Wenn Sie sehen möchten, warum Modelle, die auf klassischer Wahrscheinlichkeit basieren, Schwierigkeiten haben, Aspekte menschlicher Irrationalität zu erklären, werfen Sie einen Blick auf Busemeyer, JR, Wang, Z., & Townsend, JT (2006) .
Artem hat eine sehr gute Antwort gegeben, aber ich möchte noch eine Schwäche probabilistischer/Bayesianischer Modelle hinzufügen: Sie sind nicht mechanistisch. Dies hängt mit Artems Punkt über die neurale Erdung zusammen, ist aber etwas anders. Das Problem ist, dass probabilistische Modelle keinen wirklichen Einblick in den zugrunde liegenden Mechanismus geben, der das beobachtete Verhalten hervorruft – wenn Sie die Frage stellen: „Warum funktioniert es? . Modelle, die es ermöglichen, dass Strukturen (und Verhalten) aus Interaktionen von Elementen auf niedrigerer Ebene hervorgehen, bieten mehr Einblick in kognitive Mechanismen (wenn auch nicht unbedingt neuronale Mechanismen). Ich denke, (zumindest einige) konnektionistische und dynamische Systemmodelle versuchen dies. Um mehr darüber zu lesen, lesen Sie:
McClelland, JL, Botvinick, MM, Noelle, DC, Plaut, DC, Rogers, TT, Seidenberg, MS und Smith, LB (2010). Struktur entstehen lassen: Konnektionistische und dynamische Systemansätze zum Verständnis von Kognition . Trends in den Kognitionswissenschaften , 14, 348-356.
Dies sollte vielleicht ein Kommentar sein, aber ich habe nicht den Ruf. Die anderen beiden Antworten erwähnen, dass ein großer Nachteil des Bayes'schen Ansatzes sein Mangel an biologischer Plausibilität ist. Siehe aber zum Beispiel:
Bayessche Inferenz mit probabilistischen Populationscodes
Ma, WJ und Beck, JM und Latham, PE und Pouget, A.
Nature Neuroscience , 2006
Die Autoren schlagen ein Verfahren vor, mit dem Populationen von Neuronen tatsächlich Wahrscheinlichkeitsverteilungen darstellen können. Ich weiß nicht, wie überzeugend ich die Konstruktion finde, aber es könnte sich lohnen, sich damit zu befassen, wenn Sie neugierig auf das Thema sind.
Erwähnenswert ist vielleicht auch, dass Neurowissenschaftler zwar das Wort „Bayesianisch“ zu verwenden scheinen, um sich allgemein auf probabilistische Denkansätze zu beziehen, „Bayesianische Statistik“ oder „ Bayesianische Wahrscheinlichkeit “ jedoch etwas mehr ist als die Bayessche Regel. An sich ist die Bayes-Regel nur eine mathematische Identität in der Wahrscheinlichkeitstheorie .
Jake Westfall
Ouyang