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

Deze studie toont aan dat perceptuele biasen kunnen ontstaan doordat verwachtingen direct in de neurale codering zijn verwerkt, waardoor een strikte scheiding tussen prior en neurale middelen voor efficiënte zintuiglijke verwerking niet nodig is.

De kern

De Kernboodschap: Waarom we dingen "verkeerd" zien, is geen fout, maar een slimme truc

Stel je voor dat je hersenen een superkrachtige camera zijn die probeert de wereld om je heen te fotograferen. Maar deze camera heeft een probleem: hij heeft niet genoeg batterij (energie) en niet genoeg geheugen om alles even scherp en gedetailleerd vast te leggen.

Wetenschappers hebben lang gedacht dat het brein twee aparte dingen doet om dit op te lossen:

1. De lens aanpassen: Het past de scherpte aan op basis van wat er vaak voorkomt (bijvoorbeeld: er zijn meer verticale lijnen in de natuur dan diagonale).
2. De software aanpassen: Het gebruikt een "verwachtingsprogramma" dat zegt: "Als je twijfelt, gok dan op wat er vaak voorkomt."

De auteurs van dit paper, Henry Beale en William Harrison, zeggen echter: "Nee, dat zijn geen twee aparte dingen. Ze zijn één en hetzelfde!"

De Vergelijking: De Slimme Bibliotheek

Om dit te begrijpen, laten we kijken naar een bibliotheek.

Het oude idee (Scheiding):
Stel je een bibliotheek voor waar alle boeken willekeurig op de plank staan (dat is de "neurale bron"). De bibliothecaris (het brein) heeft echter een lijstje bij zich met een lijst van populaire boeken. Als iemand een boek zoekt en de bibliothecaris is het niet zeker, kijkt hij op zijn lijstje en zegt: "Kijk, dit boek is populair, dus dat is het waarschijnlijk wel."

• Hier zijn de planken (neuralen) en de lijst (verwachting) gescheiden.

Het nieuwe idee (Samenhang):
Beale en Harrison stellen voor dat de bibliotheek er heel anders uitziet. De bibliothecaris heeft de planken zelf zo ingericht dat de populaire boeken automatisch op de meest toegankelijke plekken staan, en de zeldzame boeken op plekken waar je minder vaak kijkt.

• Als iemand nu een boek zoekt, hoeft de bibliothecaris niet meer naar een lijstje te kijken. Hij hoeft alleen maar te kijken waar de boeken het makkelijkst te vinden zijn. De verwachting zit al ingebouwd in de manier waarop de boeken op de plank staan.

Wat betekent dit voor ons zien?

In ons visuele systeem (onze ogen en hersenen) gebeurt precies dit:

1. De "Neurale Bron": Onze hersenen hebben een beperkt aantal zenuwcellen (neuronen) om beelden te verwerken. Ze kunnen niet overal even goed op letten.
2. De "Verwachting": We leven in een wereld vol met verticale en horizontale lijnen (muren, bomen, horizon), maar minder met schuine lijnen.
3. De Slimme Oplossing: Het brein heeft zijn zenuwcellen zo ingedeeld dat er meer cellen zijn die gevoelig zijn voor die veelvoorkomende lijnen, en ze reageren sterker op die lijnen.

Het gevolg:
Wanneer je een wazig beeld ziet (bijvoorbeeld in de mist), en je hersenen moeten gokken wat het is, "gokken" ze automatisch in de richting van wat er vaak is. Dit voelt voor ons als een "bias" of een vooroordeel (we zien iets wat er niet is, of we zien het iets anders dan het is).

Volgens dit paper is dit geen fout in de software van het brein. Het is een energiebesparende truc. Het brein hoeft geen aparte "gok-lijst" bij te houden. De gok is al ingebouwd in de bouw van de zenuwcellen zelf.

Wat hebben ze bewezen?

De auteurs hebben dit getest met twee dingen:

1. Wiskunde: Ze bouwden een computermodel dat laat zien dat als je de zenuwcellen zo instelt dat ze "slimmer" zijn (hun gevoeligheid aanpast aan de wereld), je precies dezelfde gedragingen ziet als mensen in experimenten. Mensen maken dezelfde "fouten" (bias) als je model, zelfs zonder dat het model een apart verwachtingsprogramma heeft.
2. Echte hersenen: Ze keken naar oude data van katten (die ook een visueel systeem hebben). Ze zagen dat de zenuwcellen inderdaad zo werken: er zijn meer cellen voor bepaalde richtingen, en de totale activiteit van deze groepen cellen past precies bij wat we in de natuur verwachten.

Conclusie in één zin

Onze hersenen zijn zo slim dat ze de "regels van de wereld" niet apart opslaan, maar ze in de bouw van hun eigen zenuwcellen verwerken. Wat we zien als een "vooringenomenheid" in ons zicht, is eigenlijk het bewijs van een super-efficiënte manier om energie te besparen.

Kort samengevat: Je brein is geen fotograaf die eerst kijkt en dan nadenkt. Je brein is een fotograaf die zijn lens zo heeft ingesteld dat hij altijd het meest waarschijnlijke plaatje maakt, voordat hij überhaupt begint met kijken.

Technische samenvatting

Probleemstelling

In de visuele neurowetenschap is het een langdurig doel om te begrijpen hoe omgevingsverwachtingen (priors) en neurale middelen gezamenlijk de inferentie van de hersenen over zintuiglijke input bepalen. Traditionele Bayesiaanse modellen behandelen deze twee componenten vaak als gescheiden entiteiten:

1. De Likelihood: De zintuiglijke codering, bepaald door neurale afstemming (tuning) en ruis.
2. De Prior: Een aparte representatie van verwachtingen die tijdens het decoderen wordt toegepast.

Recent werk van Hahn en Wei toonde aan dat gedragsbias (systematische perceptuele fouten) kan worden gemodelleerd als de som van twee termen: een aantrekking naar de prior en een afstoting van pieken in de coderingsmiddelen (Fisher-informatie). Hun model kon echter gedragsdata vaak het beste verklaren met een "platte" (uniforme) expliciete prior, waarbij de bias volledig werd toegeschreven aan ongelijkmatige verdeling van neurale middelen. Dit roept de vraag op of deze "platte" prior een echte afwezigheid van verwachtingen aangeeft, of dat de verwachtingen al in de coderingsarchitectuur zelf zijn verwerkt, waardoor een aparte prior overbodig is.

Methodologie

De auteurs ontwikkelen een wiskundig model van een efficiënt populatiecode voor het schatten van visuele oriëntatie. Hun aanpak combineert principes van efficiënte codering met Bayesiaanse inferentie:

• Inbedding van de Prior: In plaats van een prior als aparte term te decoderen, stellen de auteurs dat de prior direct in de neurale codering kan worden ingebed. Dit gebeurt door de eigenschappen van de encoder (dichtheid van afstemming, breedte en versterking/gain) zo aan te passen dat de som van de afstemmingscurven ($\gamma(s)$) evenredig is met de logaritmische prior ($\log p(s)$).
  • Wiskundig: $\gamma(s) \propto \log p(s)$.
• Efficiënt Decoderen: Voor een populatie neuronen met onafhankelijke Poisson-ruis, betekent deze voorwaarde dat de biologische likelihood ($p(r|s)$) automatisch de prior bevat. De effectieve likelihood wordt dan evenredig met $p(r|s) \cdot p(s)$. Hierdoor kan een decoder een uniforme (platte) prior gebruiken en toch Bayes-optimale schattingen produceren.
• Simulatie en Vergelijking: De auteurs simuleren een populatiecode met deze "dubbel ingebedde" prior (zowel in de vorm als de versterking van de afstemmingscurven, via homeostatische schaling). Ze vergelijken de voorspelde gedragsbias met empirische data uit een visuele oriëntatietask (Gabor-arrays) en met de originele fits van Hahn en Wei.
• Fysiologische Re-analyse: Om hun theorie te testen, re-analyseren ze bestaande fysiologische data van oriëntatie-gespecialiseerde neuronen in de V1-cortex van de kat. Ze kijken naar de relatie tussen de voorkeursoriëntatie en de vuurfrequentie (spike rates) op zowel individueel als populatieniveau.

Belangrijkste Bijdragen

1. Theoretische Unificatie: Het paper toont aan dat de scheiding tussen "prior" en "neurale middelen" computationeel en biologisch niet noodzakelijk is. Een efficiënt georganiseerd sensorisch systeem kan priorverwachtingen internaliseren in de coderingsarchitectuur.
2. Vereenvoudiging van Bias-modellen: Ze tonen aan dat onder deze coderingsvoorwaarde de complexe tweetermige bias-vergelijking van Hahn en Wei (afhankelijk van prior en Fisher-informatie) reduceert tot een enkele term die alleen afhankelijk is van de Fisher-informatie van de encoder. De overgang van afstoting naar aantrekking in perceptuele bias ontstaat dan door de interactie tussen stimulusruis en de ingebedde prior, niet door het aanpassen van de verliesfunctie in de decoder.
3. Biologische Voorspelling: Het paper voorspelt dat bij een efficiënt decoderend systeem de aggregatie van neurale activiteit heterogeen moet zijn (hogere vuurfrequenties voor oriëntaties die frequent voorkomen in de omgeving), zelfs als individuele neuronen "gewhite" zijn (constante vuurfrequentie).

Resultaten

• Modelprestaties: Het voorgestelde model, dat gebruikmaakt van een uniforme expliciete prior tijdens het decoderen maar een ingebedde prior in de encoder, reproduceert de empirische gedragsdata uitstekend. Het model toont de karakteristieke overgang van afstoting bij lage ruis naar aantrekking naar de prior bij hoge ruis, wat overeenkomt met zowel de empirische data als de fits van Hahn en Wei.
• Fysiologische Validatie: De re-analyse van V1-data van de kat bevestigt een cruciaal aspect van de theorie:
  • Individuele neuronen: Vertonen een "gewhite" activiteit (constante vuurfrequentie ongeacht de voorkeursoriëntatie), wat suggereert dat individuele neuronen geen prior vertonen.
  • Populatie-niveau: Vanwege de anisotropie in het aantal neuronen dat is afgestemd op bepaalde oriëntaties (meer neuronen voor frequente oriëntaties), is de totale populatie-activiteit heterogeen. De som van de vuurfrequenties per sub-populatie correleert sterk met de omgevingsverdeling.
  • Dit ondersteunt het idee dat de prior in de kat-V1 wordt geïmplementeerd via de verdeling van het aantal neuronen (dichtheid) in plaats van via variabele versterking per neuron, wat toch voldoet aan de voorwaarde voor efficiënt decoderen met een platte prior.

Significantie

De bevindingen van Beale en Harrison bieden een nieuw perspectief op hoe perceptuele bias ontstaat. Het suggereert dat systematische perceptuele fouten niet noodzakelijk het gevolg zijn van een fout in het decoderingsproces of een aparte cognitieve prior, maar een direct gevolg kunnen zijn van de implementatie van de sensorische code zelf.

Dit heeft belangrijke implicaties voor:

• Neurobiologie: Het helpt verklaren waarom gedragsstudies soms "platte" priors lijken te suggereren, terwijl het brein wel degelijk verwachtingen internaliseert. De prior is "verzonken" in de neurale architectuur.
• Efficiëntie: Het biedt een metabolisch efficiënt mechanisme: het zenuwstelsel hoeft de prior niet dubbel op te slaan (eenmaal in de encoder en eenmaal als expliciete prior voor de decoder).
• Modelvorming: Het daagt neurowetenschappers uit om de scheiding tussen codering en decodering te heroverwegen en te zoeken naar een geïntegreerde architectuur waarbij de neurale middelen en omgevingsstatistieken onlosmakelijk verbonden zijn.