On the inseparability of the prior and neural resources in behavioural bias

Die Studie zeigt, dass systematische Wahrnehmungsverzerrungen nicht auf getrennte kognitive Erwartungen zurückzuführen sind, sondern direkt aus der effizienten neuronalen Kodierung resultieren, bei der Erwartungshaltungen in die Tuning-Eigenschaften der Neuronen eingebettet sind.

Das Wesentliche

Die große Entdeckung: Warum unser Gehirn keine "Zettelchen" braucht

Stellen Sie sich vor, Ihr Gehirn ist ein großes Restaurant, das jeden Tag Tausende von Gästen (Sinnesreize) bedient. Die Gäste kommen nicht zufällig, sondern in bestimmten Mustern: An manchen Tagen ist es voll mit Leuten, die Pizza mögen (häufige Reize), an anderen Tagen kommen nur wenige, die Sushi essen (seltene Reize).

Früher dachten Wissenschaftler, das Restaurant müsse zwei getrennte Dinge tun, um effizient zu arbeiten:

1. Die Küche (Encoder): Sie kocht die Gerichte so gut wie möglich.
2. Der Manager (Decoder): Er sitzt an einem Schreibtisch, hat eine Liste mit Statistiken ("Heute kommt viel Pizza") und sagt der Küche: "Pass auf, heute ist viel los, wir müssen die Pizza schneller machen!"

Das Problem: Diese Trennung ist ineffizient. Der Manager muss ständig neue Zettelchen schreiben, und die Küche muss ständig aufpassen, ob sie die Liste beachtet.

Die neue Erkenntnis dieser Studie:
Die Autoren zeigen, dass das Gehirn diesen Manager eigentlich gar nicht braucht! Stattdessen kann die Küche selbst so gebaut sein, dass sie die Statistiken bereits in sich trägt.

Die Analogie: Der schräge Regalboden

Stellen Sie sich ein Regal vor, in dem Sie Ihre Lieblingsbücher aufstellen.

• Die alte Idee: Sie stellen alle Bücher gerade hin. Wenn Sie wissen wollen, welches Buch Sie oft lesen, müssen Sie sich eine Liste merken und beim Suchen darauf schauen.
• Die neue Idee (die in der Studie vorgeschlagen wird): Sie bauen das Regal so, dass die Böden leicht geneigt sind. Die Bücher, die Sie oft lesen (die "häufigen" Reize), rutschen automatisch in eine bequemere, leicht zugängliche Position. Die seltenen Bücher rutschen in eine Ecke, wo man sich mehr Mühe geben muss, sie zu greifen.

In diesem Szenario ist die Geneigung des Regals die "Erwartung". Sie müssen kein extra Zettelchen mehr lesen, um zu wissen, wo was liegt. Die Erwartung ist in die Struktur des Regals eingebaut.

Was die Forscher genau gemacht haben

1. Das Rätsel: Bisherige Modelle sagten, dass unsere Wahrnehmung (z. B. wie wir Linien oder Winkel sehen) durch zwei Dinge verzerrt wird:

   • Durch unsere Erwartungen (wir sehen Dinge so, wie wir sie erwarten).
   • Durch Ressourcenmangel (wir sehen Dinge so, wie unser Gehirn am besten rechnen kann).
   • Die Wissenschaftler Hahn und Wei meinten, man müsse diese beiden Dinge trennen.

2. Der Durchbruch: Beale und Harrison sagen: "Nein, man muss sie nicht trennen!" Sie zeigen mathematisch, dass man die Erwartungen direkt in die Empfindlichkeit der Nervenzellen einbauen kann.

   • Wenn eine bestimmte Richtung (z. B. vertikale Linien) in der Natur sehr häufig vorkommt, haben wir einfach mehr Nervenzellen, die darauf spezialisiert sind, und diese feuern etwas stärker.
   • Das Gehirn muss dann nicht mehr extra "denken": "Ah, vertikale Linien sind häufig." Es reicht, dass die Nervenzellen einfach so funktionieren, als wären sie es.

3. Das Ergebnis: Wenn das Gehirn so aufgebaut ist, kann es mit einer "leeren Liste" (einer uniformen Erwartung) arbeiten, aber trotzdem genau so reagieren, als hätte es eine detaillierte Statistik im Kopf. Die Verzerrung in unserer Wahrnehmung entsteht also nicht durch einen Fehler oder eine extra Regel, sondern durch die perfekte Architektur des Nervensystems.

Der Beweis aus der echten Welt

Die Forscher haben nicht nur gerechnet, sondern auch echte Daten aus dem Gehirn von Katzen (dem Bereich V1, der für das Sehen zuständig ist) analysiert.

• Was sie sahen: Die einzelnen Nervenzellen feuerten alle gleich stark (wie ein geregeltes Restaurantpersonal).
• Aber: Es gab mehr Zellen für bestimmte Richtungen als für andere.
• Das Fazit: Wenn man alle diese Zellen zusammenzählt, sieht man genau das Muster, das die Theorie vorhersagt. Das Gehirn hat die "Statistik der Welt" nicht auf einem Zettel gespeichert, sondern in der Anzahl der Zellen selbst.

Warum ist das wichtig?

Stellen Sie sich vor, Sie bauen ein Auto.

• Der alte Weg: Sie bauen ein normales Auto und hängen einen Navigationscomputer an, der ständig sagt: "Achtung, hier ist viel Verkehr!"
• Der neue Weg: Sie bauen das Auto so, dass die Räder und die Federung automatisch so reagieren, als ob sie den Verkehr kennen würden. Das Auto fährt sich von selbst effizienter, ohne dass ein Computer ständig nachsteuern muss.

Diese Studie zeigt, dass unser Gehirn wie das zweite Auto funktioniert. Es ist so effizient gebaut, dass unsere "Vorurteile" (dass wir Dinge sehen, wie wir sie erwarten) eigentlich nur ein Nebenprodukt davon sind, wie unsere Nervenzellen angeordnet sind. Wir brauchen keine extra "Gedanken" für unsere Erwartungen; sie sind bereits in unserem biologischen Material verankert.

Kurz gesagt: Unser Gehirn ist kein Computer, der Daten und Regeln trennt. Es ist ein Organismus, bei dem die Regeln der Welt bereits in den Zellen selbst geschrieben stehen.

Technische Zusammenfassung

Titel

Über die Unlösbarkeit von Priori und neuronalen Ressourcen bei Verhaltensverzerrungen
(On the inseparability of the prior and neural resources in behavioural bias)

1. Problemstellung

Ein zentrales Ziel der visuellen Neurowissenschaft ist es zu verstehen, wie Umwelt-Erwartungen (Priors) und begrenzte neuronale Ressourcen gemeinsam die Inferenz des Gehirns über sensorische Eingaben formen.

• Herausforderung: In vielen mathematischen Modellen (z. B. Bayes'sche Modelle) werden Priors und Ressourcen als trennbare Größen behandelt. Psychophysische Daten zeigen jedoch oft "flache" (uniforme) Verhaltens-Priors, während Verhaltensverzerrungen (Biases) dennoch auftreten.
• Vorherige Arbeit: Hahn und Wei (2023) modellierten diese Verzerrungen als Summe zweier Komponenten: einer Anziehung zum Prior und einer Abstoßung von Peaks in der Ressourcenverteilung (Fisher-Information). Ihr Modell konnte jedoch oft nur "flache" Priors rekonstruieren, wobei die Verzerrungen ausschließlich auf Inhomogenitäten in den Ressourcen zurückgeführt wurden.
• Die Frage: Ist die Trennung von Prior und Ressourcen biologisch notwendig? Oder können Erwartungshaltungen direkt in die Kodierungsstruktur (Tuning) der Neuronen eingebettet sein, sodass ein Decoder keinen separaten, expliziten Prior benötigt?

2. Methodik

Die Autoren entwickeln ein theoretisches Modell für einen effizienten Populationscode zur Schätzung der visuellen Orientierung und validieren dieses durch Simulationen und eine Neu-Analyse physiologischer Daten.

• Theoretisches Modell:

  • Sie nutzen die Bayes'sche Inferenz-Formel: $\log p(s|r) = \log p(r|s) + \log p(s)$.
  • Kernhypothese: Anstatt den Prior $p(s)$ separat im Decoder zu speichern, wird er direkt in die Kodierungsfunktion der Neuronenpopulation eingebettet.
  • Mathematische Bedingung: Die Summe der Tuning-Kurven ($\gamma(s)$) der Population muss proportional zum Logarithmus des Priors sein: $\gamma(s) \propto \log p(s)$.
  • Implementierung: Sie nutzen ein Populationsmodell mit unabhängigem Poisson-Rauschen. Um die Bedingung zu erfüllen, wird eine homöostatische Skalierungsregel angewendet, die den Gesamt-Spike-Budget jedes Neurons über den Stimulusbereich normalisiert. Dies skaliert die Verstärkung (Gain) der Tuning-Kurven, sodass die Summe der Aktivität dem Prior folgt, während die Fisher-Information (Ressourcenverteilung) weiterhin proportional zum Prior bleibt.
  • Decoder: Der Decoder verwendet einen explizit flachen (uniformen) Prior. Da der Prior bereits im Encoder kodiert ist, ergibt sich die Bayes-optimale Schätzung direkt aus der Likelihood.

• Simulationen:

  • Das Modell wurde an psychophysische Daten aus einer Studie (Hahn & Wei) angepasst, bei der Probanden die mittlere Orientierung von Gabor-Mustern unter niedrigem und hohem Rauschen schätzten.
  • Es wurden Populationsantworten simuliert und mittels Maximum-A-Posteriori (MAP) geschätzt.

• Physiologische Validierung:

  • Re-Analyse von Meta-Daten zu orientierungsgespeicherten Neuronen im primären visuellen Kortex (V1) von Katzen (Quelle: Ref 19).
  • Analyse der Spike-Raten in Abhängigkeit von der bevorzugten Orientierung, der Anzahl der Zellen pro Orientierung und der kumulativen Aktivität von Subpopulationen.

3. Wichtige Beiträge und Ergebnisse

A. Theoretische Neuformulierung der Verzerrung (Bias)

• Reduktion des Modells: Wenn der Encoder die Bedingung $\gamma(s) \propto \log p(s)$ erfüllt, reduziert sich die Hahn-und-Wei-Gleichung für die Verzerrung $B(s)$ von zwei Termen (Prior-Anziehung + Ressourcen-Abstoßung) auf einen einzigen Term, der nur von der Fisher-Information abhängt:
  $$B(s) = \beta \left( \frac{1}{J(s)} \right)'$$
• Mechanismus: Die Übergänge von abstoßenden zu anziehenden Verzerrungen entstehen nicht durch die Anpassung eines Verlustfunktions-Exponenten im Decoder, sondern durch die Interaktion von Stimulus-Rauschen mit dem im Encoder eingebetteten Prior in der effektiven Likelihood.
• Ergebnis: Das Modell reproduziert erfolgreich die empirischen Daten (starke Abstoßung bei niedrigem Rauschen, Anziehung bei hohem Rauschen), obwohl der Decoder einen flachen Prior verwendet.

B. Physiologische Vorhersagen und Validierung

• Vorhersage: Ein effizienter Decoder erfordert, dass die aggregierte Aktivität der Population heterogen ist (höhere Spike-Raten für Orientierungen, die im Prior häufiger vorkommen), auch wenn einzelne Neuronen "gebleicht" (whitened) sein könnten.
• Ergebnis der Neu-Analyse (Katzen-V1):
  • Die durchschnittliche Spike-Rate einzelner Neuronen ist tatsächlich weitgehend unabhängig von ihrer bevorzugten Orientierung (gebleicht).
  • Die Anzahl der Neuronen pro Orientierung ist jedoch anisotrop (mehr Zellen für häufige Orientierungen).
  • Fazit: Die kumulative Aktivität der Subpopulationen ist heterogen und folgt dem Prior. Dies unterstützt die Hypothese, dass der Prior in der Struktur der Population (Anzahl der Zellen) und nicht unbedingt in der individuellen Verstärkung jedes Neurons kodiert ist. Ein Decoder, der über die Population mittelt, kann daher einen flachen Prior verwenden.

4. Bedeutung und Fazit

• Verschmelzung von Kodierung und Inferenz: Die Arbeit zeigt, dass die strikte Trennung zwischen "Prior" (Erwartung) und "Ressourcen" (Kodierungskapazität) auf biologischer Ebene nicht notwendig ist. Priors können direkt in die Architektur des sensorischen Codes (Tuning-Dichte und Gain) eingebettet sein.
• Metabolische Effizienz: Dies ist metabolisch effizient, da das Nervensystem den Prior nicht redundant separat vom Encoder speichern muss.
• Erklärung von "Flachen" Priors: Das scheinbare Fehlen eines expliziten Priors in Verhaltensdaten könnte ein Zeichen für eine erfolgreiche Kodierungsstrategie sein, bei der der Prior bereits im Encoder internalisiert wurde, anstatt für das Fehlen von Erwartungen zu sprechen.
• Brücke zur Biologie: Das Modell bietet einen direkten Weg, um abstrakte Bayes'sche Inferenz mit konkreten neuronalen Mechanismen (Populationskodierung, Fisher-Information) zu verbinden und liefert testbare Vorhersagen für die Organisation von V1.

Zusammenfassend demonstrieren die Autoren, dass systematische Wahrnehmungsverzerrungen aus der Implementierung des Decodierens in einem effizient organisierten sensorischen Code resultieren können, ohne dass ein separater, expliziter Prior benötigt wird.