基于泊松变分自编码器推断感知决策的响应时间

感知决策的许多属性都由深度神经网络建模。然而，这类架构通常将决策视为即时读取，忽略决策过程的时间动态。我们提出一种图像可计算的感知决策模型，其中的选择和响应时间源于高效感官编码和对神经放电活动的贝叶斯解码。我们使用泊松变分自编码器对视觉刺激在受控的均匀泊松过程建模的神经元群体中进行无监督表示学习。任务优化的解码器随后不断推断给定输入放电活动条件下动作近似后验分布的概率。将这些组件与基于熵的停止规则结合，可生成一种原则且图像可计算的感知决策模型，能够生成选择和响应时间的试次级模式。应用于MNIST手写数字分类，该模型再现了感知决策的关键实证特征，包括随机变异性、右偏响应时间分布、响应时间随备选项数量的对数比例扩展（Hick定律），以及速度-精度权衡。