Kodowanie predykcyjne

W neurobiologii kodowanie predykcyjne (znane również jako przetwarzanie predykcyjne ) jest teorią funkcji mózgu , która postuluje, że mózg stale generuje i aktualizuje „ mentalny model ” środowiska. Zgodnie z teorią taki model mentalny służy do przewidywania sygnałów wejściowych ze zmysłów, które są następnie porównywane z rzeczywistymi sygnałami wejściowymi z tych zmysłów. Wraz z rosnącą popularnością uczenia się przez reprezentację , teoria ta jest aktywnie rozwijana i stosowana uczenie maszynowe i dziedziny pokrewne.

Wyrażenie „kodowanie predykcyjne” jest również używane w kilku innych dyscyplinach, takich jak technologie przetwarzania sygnałów i prawo w luźno powiązanych lub niezwiązanych ze sobą znaczeniach.

Pochodzenie

Teoretyczni przodkowie kodowania predykcyjnego sięgają roku 1860 wraz z koncepcją nieświadomego wnioskowania Helmholtza . Nieświadome wnioskowanie odnosi się do idei, że ludzki mózg wypełnia informacje wizualne, aby nadać scenie sens. Na przykład, jeśli coś jest stosunkowo mniejsze niż inny obiekt w polu widzenia, mózg wykorzystuje tę informację jako prawdopodobną wskazówkę dotyczącą głębi, tak że odbiorca ostatecznie (i mimowolnie) doświadcza głębi. Rozumienie percepcji jako interakcji między bodźcami zmysłowymi (z dołu do góry) a wiedzą konceptualną (z góry na dół) było nadal ustalane przez Jerome Bruner , który począwszy od lat czterdziestych XX wieku badał sposoby, w jakie potrzeby, motywacje i oczekiwania wpływają na percepcję, badania, które stały się znane jako psychologia „New Look”. W 1981 roku McClelland i Rumelhart w swoim przełomowym artykule zbadali interakcję między cechami przetwarzania (liniami i konturami), które tworzą litery, które z kolei tworzą słowa. Chociaż cechy sugerują obecność słowa, odkryli, że kiedy litery były umieszczone w kontekście słowa, ludzie byli w stanie je zidentyfikować szybciej niż wtedy, gdy były umieszczone w nie-słowie bez kontekstu semantycznego. Model przetwarzania równoległego McClellanda i Rumelharta opisuje percepcję jako spotkanie elementów odgórnych (konceptualnych) i oddolnych (zmysłowych).

Pod koniec lat 90. idea przetwarzania odgórnego i oddolnego została przełożona na obliczeniowy model widzenia przez Rao i Ballarda . Ich artykuł wykazał, że może istnieć generatywny model sceny (przetwarzanie z góry na dół), który otrzymywałby informacje zwrotne za pośrednictwem sygnałów błędów (jak bardzo dane wizualne różniły się od prognozy), co następnie prowadziłoby do aktualizacji prognozy. Model obliczeniowy był w stanie odtworzyć dobrze ugruntowane efekty pola receptywnego, a także mniej zrozumiałe pozaklasyczne efekty pola receptywnego, takie jak zatrzymanie końca . Obecnie dziedziny informatyki i kognitywistyki wykorzystują te same koncepcje do tworzenia wielowarstwowych modeli generatywnych, które leżą u podstaw uczenia maszynowego i sieci neuronowych.

Ramy ogólne

Schemat koncepcyjny kodowania predykcyjnego z 2 poziomami

Większość literatury badawczej w tej dziedzinie dotyczy percepcji zmysłowej , zwłaszcza wzroku, który jest łatwiejszy do konceptualizacji. Jednak ramy kodowania predykcyjnego można również zastosować do różnych systemów neuronowych. Biorąc za przykład system sensoryczny, mózg rozwiązuje pozornie nierozwiązywalny problem modelowania dystalnych przyczyn bodźców czuciowych za pomocą wersji wnioskowania bayesowskiego . Czyni to poprzez modelowanie przewidywań bodźców sensorycznych niższego poziomu za pośrednictwem połączeń wstecznych ze stosunkowo wyższych poziomów w hierarchii korowej. Ograniczeni statystycznymi prawidłowościami świata zewnętrznego (i pewnymi ewolucyjnie przygotowanych przewidywań), mózg koduje odgórne modele generatywne w różnych skalach czasowych i przestrzennych, aby przewidywać i skutecznie tłumić bodźce sensoryczne wznoszące się z niższych poziomów. Porównanie przewidywań (priorów) i danych sensorycznych (prawdopodobieństwa) daje miarę różnicy (np. błąd prognozy, energię swobodną lub zaskoczenie), która, jeśli jest wystarczająco duża poza poziomami oczekiwanego szumu statystycznego, spowoduje aktualizację modelu generatywnego tak, że lepiej przewiduje bodźce sensoryczne w przyszłości.

Ogólnie łatwiej można stwierdzić, że minimalizuje to wielkość zaskoczenia (miarę różnicy). Jest to również przyczyna tego, co obecnie nazywa się efektem potwierdzania lub tego, co historycznie mogłoby być uprzedzeniem (chociaż to drugie ma bardziej negatywne konotacje), ponieważ lepiej pasuje do dotychczasowych indywidualnych doświadczeń i sprzyja spójności. W dzisiejszym świecie okazuje się to więc raczej wadą.

Jeśli zamiast tego model dokładnie przewiduje kierowanie sygnałami sensorycznymi, aktywność na wyższych poziomach anuluje aktywność na niższych poziomach, a późniejsze prawdopodobieństwo modelu wzrasta. Zatem kodowanie predykcyjne odwraca konwencjonalny pogląd na percepcję jako proces głównie oddolny, sugerując, że jest ona w dużej mierze ograniczona przez wcześniejsze przewidywania, w których sygnały ze świata zewnętrznego kształtują percepcję tylko w takim stopniu, w jakim są propagowane w hierarchii korowej w postać błędu prognozy.

W kodowaniu predykcyjnym błędy nie są ani dobre, ani złe, ale po prostu sygnalizują różnicę między oczekiwanymi a rzeczywistymi danymi wejściowymi. Wyjątkiem jest przetwarzanie nagród, gdzie nagroda lepsza niż oczekiwana powoduje dodatni błąd przewidywania, a rozczarowujący wynik daje ujemny błąd przewidywania.

Precyzyjne ważenie

Oczekiwania dotyczące precyzji (lub odwrotnej wariancji) przychodzących danych sensorycznych są kluczowe dla skutecznego minimalizowania błędu prognozy, ponieważ oczekiwana precyzja danego błędu prognozy może informować o zaufaniu do tego błędu, co wpływa na stopień, w jakim błąd jest ważony przy aktualizacji prognoz . Biorąc pod uwagę, że świat, w którym żyjemy, jest pełen szumu statystycznego , precyzyjne oczekiwania muszą być reprezentowane jako część generatywnych modeli mózgu i powinny być w stanie elastycznie dostosowywać się do zmieniających się kontekstów. Na przykład oczekiwana precyzja błędów prognoz wizualnych prawdopodobnie waha się między świtem a zmierzchem, tak że błędom w biały dzień przypisywana jest większa pewność warunkowa niż błędom w przewidywaniu o zmroku. Niedawno zaproponowano, że takie ważenie błędów przewidywania proporcjonalnie do ich szacowanej precyzji jest w istocie uwagą i że proces poświęcania uwagi może być neurobiologicznie realizowany przez wznoszące się układy aktywujące siatkówkę (ARAS) optymalizacja „wzmocnienia” jednostek błędu predykcji.

Aktywne wnioskowanie

Ta sama zasada minimalizacji błędów przewidywania została wykorzystana do wyjaśnienia zachowania, w którym działania motoryczne nie są poleceniami, ale zstępującymi przewidywaniami proprioceptywnymi. W tym schemacie aktywnego wnioskowania klasyczne łuki odruchowe są skoordynowane w taki sposób, aby selektywnie próbkować bodźce sensoryczne w sposób, który lepiej spełnia przewidywania, minimalizując w ten sposób błędy przewidywania proprioceptywnego. Rzeczywiście, Adams i in. (2013) dokonali przeglądu dowodów sugerujących, że ten pogląd na hierarchiczne kodowanie predykcyjne w układzie motorycznym zapewnia oparte na zasadach i neuronalnie wiarygodne ramy do wyjaśnienia agranularnej organizacji kory ruchowej. Pogląd ten sugeruje, że „systemy percepcyjne i motoryczne nie powinny być traktowane jako osobne, ale zamiast tego jako pojedyncza aktywna maszyna wnioskowania, która próbuje przewidzieć swoje bodźce sensoryczne we wszystkich domenach: wzrokowej, słuchowej, somatosensorycznej, interoceptywnej oraz, w przypadku układu motorycznego, , proprioceptywny”.

Teoria neuronowa w kodowaniu predykcyjnym

Ocena dowodów empirycznych, które sugerują neurologicznie wiarygodną podstawę kodowania predykcyjnego, jest szerokim i zróżnicowanym zadaniem. Po pierwsze, zgodnie z modelem, kodowanie predykcyjne występuje na każdym iteracyjnym etapie procesów percepcyjnych i poznawczych; w związku z tym przejawy kodowania predykcyjnego w mózgu obejmują genetykę, specyficzną cytoarchitekturę komórek, systemowe sieci neuronów i analizy całego mózgu. Ze względu na ten zakres specyficzności zastosowano, tam gdzie to możliwe, różne metody badania neuronalnych mechanizmów kodowania predykcyjnego; jednak bardziej ogólnie i przynajmniej w odniesieniu do ludzi istnieją znaczne ograniczenia metodologiczne w badaniu potencjalnych dowodów, a większość prac opiera się na modelowaniu obliczeniowym mikroukładów w mózgu. Niezależnie od tego wykonano znaczną (teoretyczną) pracę, która została zastosowana do zrozumienia mechanizmów kodowania predykcyjnego w mózgu. Ta sekcja skupi się na konkretnych dowodach, które odnoszą się do zjawiska kodowania predykcyjnego, a nie na analogach, takich jak homeostaza (które są jednak integralną częścią naszego ogólnego rozumienia wnioskowania bayesowskiego, ale są już mocno wspierane; patrz Clark, aby zapoznać się z przeglądem).

Wiele wczesnych prac, które stosowały ramy kodowania predykcyjnego do mechanizmów neuronowych, pochodziło z neuronów czuciowych, szczególnie w korze wzrokowej.

Bardziej ogólnie jednak wydaje się, że teoria wymaga (co najmniej) dwóch typów neuronów (na każdym poziomie hierarchii percepcyjnej): jednego zestawu neuronów, które kodują napływające bodźce sensoryczne, tak zwane projekcje wyprzedzające; jeden zestaw neuronów, które wysyłają prognozy, tak zwane projekcje ze sprzężeniem zwrotnym. Należy zauważyć, że te neurony muszą również posiadać właściwości wykrywania błędów; która klasa neuronów ma te właściwości, jest nadal przedmiotem dyskusji. Tego rodzaju neurony znalazły wsparcie w powierzchownych i niepowierzchniowych neuronach piramidalnych.

Istnieją dowody na to, że na poziomie całego mózgu różne warstwy korowe (inaczej blaszki) mogą ułatwiać integrację projekcji ze sprzężeniem do przodu i do tyłu w hierarchiach. Te warstwy korowe, podzielone na ziarniste, agranularne i dysgranularne, w których mieszczą się wspomniane powyżej subpopulacje neuronów, są podzielone na 6 głównych warstw. Cytoarchitektura w tych warstwach jest taka sama, ale różnią się między warstwami. Na przykład warstwa 4 kory ziarnistej zawiera komórki ziarniste, które są pobudzające i rozprowadzają bodźce wzgórzowo-korowe do reszty kory. Według jednego modelu:

„...neurony predykcyjne... w głębokich warstwach kory ziarnistej prowadzą aktywne wnioskowanie, wysyłając przewidywania sensoryczne poprzez projekcje... do nadziarnistych warstw dysziarnistej i ziarnistej kory czuciowej. Neurony błędu przewidywania… w nadziarnistych warstwach kory ziarnistej obliczają różnicę między przewidywanym a odebranym sygnałem czuciowym i wysyłają sygnały błędu przewidywania poprzez projekcje… z powrotem do głębokich warstw ziarnistych obszarów korowych. Precyzyjne komórki… dynamicznie dostrajają wzmocnienie prognoz i błąd prognoz, nadając tym sygnałom zmniejszoną (lub, w niektórych przypadkach, większą) wagę w zależności od względnej pewności malejących prognoz lub wiarygodności przychodzących sygnałów sensorycznych.

Teoria, że ​​jednostką przewidywania jest kolumna korowa , opiera się na niezwykłej zgodności między mikroukładami kolumny korowej a łącznością implikowaną przez kodowanie predykcyjne.

Stosowanie kodowania predykcyjnego

Postrzeganie

Dowody empiryczne na kodowanie predykcyjne są najbardziej solidne w przypadku przetwarzania percepcyjnego. Już w 1999 roku Rao i Ballard zaproponowali hierarchiczny przetwarzania wizualnego , w którym obszar kory wzrokowej wyższego rzędu wysyła prognozy, a połączenia wyprzedzające przenoszą szczątkowe błędy między przewidywaniami a rzeczywistymi czynnościami niższego poziomu. Zgodnie z tym modelem każdy poziom w hierarchicznej sieci modelu (z wyjątkiem najniższego poziomu, który reprezentuje obraz) próbuje przewidzieć odpowiedzi na kolejnym niższym poziomie poprzez sprzężenie zwrotne, a sygnał błędu jest wykorzystywany do skorygowania oszacowania wejścia sygnał na każdym poziomie jednocześnie. Emerson i in. ustalili modulację z góry na dół u niemowląt przy użyciu międzymodalnego paradygmatu pomijania audiowizualnego, określając, że nawet mózgi niemowląt mają oczekiwania dotyczące przyszłych danych sensorycznych, które są przenoszone w dół od kory wzrokowej i są zdolne do informacji zwrotnej opartej na oczekiwaniach. Dane funkcjonalnej spektroskopii w bliskiej podczerwieni (fNIRS) wykazały, że niemowlę kora potyliczna reagowała na nieoczekiwane pominięcie wzrokowe (bez wprowadzania informacji wizualnych), ale nie na oczekiwane pominięcie wzrokowe. Wyniki te pokazują, że w hierarchicznie zorganizowanym systemie percepcji neurony wyższego rzędu wysyłają prognozy do neuronów niższego rzędu, które z kolei odsyłają sygnał błędu prognozy.

Interocepcja

Główny artykuł: Interocepcja

Istnieje kilka konkurencyjnych modeli dotyczących roli kodowania predykcyjnego w interocepcji .

W 2013 roku Anil Seth zaproponował, że nasze subiektywne stany uczuciowe, zwane inaczej emocjami, są generowane przez modele predykcyjne, które są aktywnie budowane na podstawie przyczynowych ocen interoceptywnych. W odniesieniu do tego, w jaki sposób przypisujemy przyczyny stanom wewnętrznym innych, Sasha Ondobaka, James Kilner i Karl Friston (2015) zaproponowali, że zasada darmowej energii wymaga, aby mózg wytwarzał ciągłą serię prognoz w celu zmniejszenia ilości błędów przewidywania, które przejawiają się jako „energia swobodna”. Błędy te są następnie wykorzystywane do modelowania przewidywanych informacji o tym, jaki będzie stan świata zewnętrznego i atrybucji przyczyn tego stanu świata, w tym zrozumienia przyczyn zachowania innych. Jest to szczególnie konieczne, ponieważ aby stworzyć te atrybucje, nasze multimodalne systemy sensoryczne potrzebują predykcji interoceptywnych, aby się zorganizować. Dlatego Ondobaka zakłada, że ​​kodowanie predykcyjne jest kluczem do zrozumienia stanów wewnętrznych innych ludzi.

W 2015 roku Lisa Feldman Barrett i W. Kyle Simmons (2015) zaproponowali model Embodied Predictive Interoception Coding, ramy, które łączą Bayesowskie zasady aktywnego wnioskowania z fizjologicznymi ramami połączeń korowo-korowych. Korzystając z tego modelu, stwierdzili, że ziarniste kory trzewno-ruchowe są odpowiedzialne za generowanie przewidywań dotyczących interocepcji, definiując w ten sposób doświadczenie interocepcji.

W 2017 roku, wbrew indukcyjnemu poglądowi, że kategorie emocji są biologicznie odrębne, Barrett (2017) zaproponował teorię konstruowanej emocji, która zakłada, że ​​biologiczna kategoria emocji jest konstruowana w oparciu o kategorię konceptualną – akumulację instancji mających wspólny cel . W modelu kodowania predykcyjnego Barrett stawia hipotezę, że podczas interocepcji nasze mózgi regulują nasze ciała poprzez aktywację „ucieleśnionych symulacji” (pełnych reprezentacji doświadczenia zmysłowego), aby przewidzieć, co nasze mózgi przewidują, że świat zewnętrzny rzuci na nas zmysłowo i jak odpowiemy na to działaniem. Symulacje te są albo zachowywane, jeśli na podstawie przewidywań naszego mózgu dobrze przygotowują nas do tego, co faktycznie wydarzy się później w świecie zewnętrznym, albo one i nasze przewidywania są dostosowywane tak, aby zrekompensować ich błąd w porównaniu z tym, co faktycznie dzieje się w świecie zewnętrznym. świecie i jak dobrze byliśmy do niego przygotowani. Następnie, w procesie prób-błędów-dostosowania, nasze ciała znajdują podobieństwa w celach między pewnymi udanymi symulacjami przewidywania i grupują je razem w kategorie pojęciowe. Za każdym razem, gdy pojawia się nowe doświadczenie, nasze mózgi wykorzystują historię wcześniejszych korekt prób i błędów, aby dopasować nowe doświadczenie do jednej z kategorii nagromadzonych poprawionych symulacji, z którą jest najbardziej podobna. Następnie stosują poprawioną symulację tej kategorii do nowego doświadczenia w nadziei, że przygotują nasze ciała na resztę doświadczenia. Jeśli tak się nie stanie, przewidywania, symulacje i być może granice kategorii pojęciowej są korygowane w nadziei na większą dokładność następnym razem, a proces trwa. Barrett wysuwa hipotezę, że gdy błąd przewidywania dla pewnej kategorii symulacji dla doświadczeń podobnych do x jest zminimalizowany, wynikiem jest symulacja oparta na korekcie, którą ciało będzie odtwarzać dla każdego doświadczenia podobnego do x, czego wynikiem będzie pełne ciało poinformowane o korekcie reprezentacja doświadczenia zmysłowego — emocja. W tym sensie Barrett proponuje, abyśmy konstruowali nasze emocje, ponieważ ramy kategorii pojęciowych, których nasze mózgi używają do porównywania nowych doświadczeń i wybierania odpowiedniej prognostycznej symulacji sensorycznej do aktywacji, są budowane w ruchu.

Wyzwania

Jako teoria mechanistyczna kodowanie predykcyjne nie zostało zmapowane fizjologicznie na poziomie neuronalnym. Jednym z największych wyzwań dla tej teorii był brak precyzji, jak dokładnie działa minimalizacja błędów przewidywania. W niektórych badaniach wzrost BOLD sygnał został zinterpretowany jako sygnał błędu, podczas gdy w innych wskazuje na zmiany w reprezentacji wejściowej. Kluczowym pytaniem, na które należy odpowiedzieć, jest to, co dokładnie stanowi sygnał błędu i jak jest obliczany na każdym poziomie przetwarzania informacji. Kolejnym wyzwaniem, które zostało postawione, jest wykonalność obliczeniowa kodowania predykcyjnego. Według Kwisthout i van Rooij podobliczenia na każdym poziomie struktury kodowania predykcyjnego potencjalnie ukrywają trudny do rozwiązania problem obliczeniowy, który jest równoznaczny z „trudnymi do pokonania przeszkodami”, których twórcy modeli obliczeniowych muszą jeszcze pokonać. Ransom i Fazelpour (2015) wskazują „Trzy problemy dla teorii uwagi z kodowaniem predykcyjnym”.

Przyszłe badania mogłyby skupić się na wyjaśnieniu mechanizmu neurofizjologicznego i modelu obliczeniowego kodowania predykcyjnego. [ według kogo? ]

Zobacz też

  1. ^ Millidge, Beren; Seth, Anil; Buckley, Christopher (2022-01-19). „Kodowanie predykcyjne: przegląd teoretyczny i eksperymentalny”. arXiv : 2107.12979 [ cs.AI ].
  2. ^ Millidge, Beren; Salvatori Tommaso; Piosenka, Yuhang; Bogacz, Rafał; Łukasiewicz, Tomasz (2022-02-18). „Kodowanie predykcyjne: w kierunku przyszłości głębokiego uczenia się poza propagacją wsteczną?” . arXiv : 2202.09467 . {{ cite journal }} : Cite journal wymaga |journal= ( pomoc )
  3. ^ „Traktat Helmholtza o optyce fizjologicznej - za darmo” . 2018-03-20. Zarchiwizowane od oryginału w dniu 20 marca 2018 r . Źródło 2022-01-05 .
  4. ^ McClelland, JL & Rumelhart, DE (1981). „Interaktywny model aktywacji efektów kontekstowych w postrzeganiu liter: I. Opis podstawowych ustaleń”. Przegląd psychologiczny . 88 (5): 375–407. doi : 10.1037/0033-295X.88.5.375 .
  5. ^ a b c d   Rao, Rajesh PN; Ballard, Dana H. (1999). „Kodowanie predykcyjne w korze wzrokowej: funkcjonalna interpretacja niektórych pozaklasycznych efektów pola receptywnego”. Natura Neurobiologia . 2 (1): 79–87. doi : 10.1038/4580 . PMID 10195184 .
  6. ^    Hinton, Geoffrey E. (2007). „Nauka wielu warstw reprezentacji”. Trendy w kognitywistyce . 11 (10): 428–434. doi : 10.1016/j.tics.2007.09.004 . PMID 17921042 . S2CID 15066318 .
  7. ^ a b    Clark, Andy (2013). „Co dalej? Predykcyjne mózgi, usytuowani agenci i przyszłość kognitywistyki”. Nauki behawioralne i mózgowe . 36 (3): 181–204. doi : 10.1017/S0140525X12000477 . PMID 23663408 . S2CID 220661158 .
  8. ^    Kaaronen, RO (2018). „Teoria dysonansu predykcyjnego: przetwarzanie predykcyjne przedstawia nowe podejście do dysonansu poznawczego” . Granice w psychologii . 9 : 2218. doi : 10.3389/fpsyg.2018.02218 . PMC 6262368 . PMID 30524333 .
  9. ^    Schultz, Wolfram (2016-02-11). „Sygnalizacja błędu przewidywania nagrody dopaminy: odpowiedź dwuskładnikowa” . Nature Recenzje Neuroscience . 17 (3): 183–195. doi : 10.1038/nrn.2015.26 . PMC 5549862 . PMID 26865020 .
  10. ^    Friston, Karl J.; Feldman, Harriet (2010). „Uwaga, niepewność i swobodna energia” . Granice w ludzkiej neuronauce . 4 : 215. doi : 10.3389/fnhum.2010.00215 . PMC 3001758 . PMID 21160551 .
  11. ^    Hohwy, Jakob (2012). „Uwaga i świadoma percepcja w mózgu testującym hipotezę” . Granice w psychologii . 3 : 96. doi : 10.3389/fpsyg.2012.00096 . PMC 3317264 . PMID 22485102 .
  12. ^ a b    Friston, Karl (2009). „Zasada wolnej energii: zgrubny przewodnik po mózgu?”. Trendy w kognitywistyce . 13 (7): 293–301. doi : 10.1016/j.tics.2009.04.005 . PMID 19559644 . S2CID 9139776 .
  13. ^ a b    Adams, Rick A .; Shipp, Stewart; Friston, Karl J. (2013). „Przewidywania nie polecenia: aktywne wnioskowanie w układzie motorycznym” . Struktura i funkcja mózgu . 218 (3): 611–643. doi : 10.1007/s00429-012-0475-5 . PMC 3637647 . PMID 23129312 .
  14. ^    Bolz Jürgen; Gilbert, Charles D. (1986). „Generowanie hamowania końcowego w korze wzrokowej poprzez połączenia międzywarstwowe”. Natura . 320 (6060): 362–365. Bibcode : 1986Natur.320..362B . doi : 10.1038/320362a0 . PMID 3960119 . S2CID 4325899 .
  15. ^     Koster-Hale, Jorie; Saxe, Rebecca (2013-09-04). „Teoria umysłu: problem przewidywania neuronów” . neuron . 79 (5): 836–848. doi : 10.1016/j.neuron.2013.08.020 . ISSN 0896-6273 . PMC 4041537 . PMID 24012000 .
  16. ^ a b    Seth, Anil K. (2013). „Wnioskowanie interoceptywne, emocje i ucieleśnione ja”. Trendy w kognitywistyce . 17 (11): 565–573. doi : 10.1016/j.tics.2013.09.007 . PMID 24126130 . S2CID 3048221 .
  17. ^    Barrett, Lisa Feldman; Simmons, W. Kyle (2015). „Przewidywania interoceptywne w mózgu” . Nature Recenzje Neuroscience . 16 (7): 419–429. doi : 10.1038/nrn3950 . PMC 4731102 . PMID 26016744 .
  18. ^   Bennett, Max (2020). „Próba ujednoliconej teorii mikroukładu kory nowej w korze czuciowej” . Granice w obwodach neuronowych . doi : 10.3389/fncir.2020.00040 . PMID 32848632 . Źródło 7 listopada 2022 r .
  19. Bibliografia   _ Usrey, WM; Adams, RA; Mangun, GR; Frytki, P; Friston, Karl (2012). „Kanoniczne mikroukłady do kodowania predykcyjnego” . neuron . doi : 10.1016/j.neuron.2012.10.038 . PMID 23177956 . Źródło 7 listopada 2022 r .
  20. Bibliografia    _ Richards, John E.; Aslin, Richard N. (2015). „Modulacja odgórna w mózgu niemowlęcia: oczekiwania wywołane uczeniem szybko wpływają na korę czuciową po 6 miesiącach” . Obrady Narodowej Akademii Nauk . 112 (31): 9585–9590. Bibcode : 2015PNAS..112.9585E . doi : 10.1073/pnas.1510343112 . PMC 4534272 . PMID 26195772 .
  21. ^    Ondobaka, Sasza; Kilner, James; Friston, Karl (2017). „Rola wnioskowania interoceptywnego w teorii umysłu” . Mózg i poznanie . 112 : 64–68. doi : 10.1016/j.bandc.2015.08.002 . PMC 5312780 . PMID 26275633 .
  22. ^    Barrett, Lisa Feldman (2016). „Teoria konstruowanych emocji: aktywne wnioskowanie dotyczące interocepcji i kategoryzacji” . Społeczna neuronauka poznawcza i afektywna . 12 (1): 1–23. doi : 10.1093/scan/nsw154 . PMC 5390700 . PMID 27798257 .
  23. Bibliografia   _ Jak powstają emocje: Sekretne życie mózgu. Nowy Jork: Houghton Mifflin Harcourt. ISBN 0544133315
  24. ^ ab Kogo    , Naoki; Trengove, Chris (2015). „Czy teoria kodowania predykcyjnego jest wystarczająco wyartykułowana, aby można ją było przetestować?” . Granice w neuronauce obliczeniowej . 9 :111. doi : 10.3389/fncom.2015.00111 . PMC 4561670 . PMID 26441621 .
  25. ^    Bastos, Andre M.; Usrey, W. Martin; Adams, Rick A.; Mangun, George R.; frytki, pascal; Friston, Karl J. (2012). „Kanoniczne mikroukłady do kodowania predykcyjnego” . neuron . 76 (4): 695–711. doi : 10.1016/j.neuron.2012.10.038 . PMC 3777738 . PMID 23177956 .
  26. Bibliografia   _ Van Rooij, Iris (2020). „Zapotrzebowanie na zasoby obliczeniowe przewidywalnego mózgu bayesowskiego”. Obliczeniowy mózg i zachowanie . 3 (2): 174–188. doi : 10.1007/s42113-019-00032-3 . S2CID 196045530 .
  27. ^ Okup M. i Fazelpour S (2015). Trzy problemy dla teorii uwagi związanej z kodowaniem predykcyjnym. http://mindsonline.philosophyofbrains.com/2015/session4/three-problems-for-the-predictive-coding-theory-of-attention/
Pobrano z „ https://en.wikipedia.org/w/index.php?title=Predictive_coding&oldid=1126403679 ”