用于决策的神经积分器：鲁棒性与敏感性之间的有利权衡
神经元与认知
2011-11-29 v1
摘要
在许多感知决策任务中，关键步骤是随时间整合感觉输入，但关于这在神经回路中是如何完成的，仍存在基本问题。一种可能性是用循环兴奋来平衡膜与突触的衰减模式。然而，为了允许在长时间尺度上进行整合，这种平衡必须是精确的；这被称为微调问题。微调的需求可以通过一种棘轮式机制来克服，在该机制中，瞬时输入必须高于预设限制才能被回路记录。这种棘轮的程度体现了对输入流的敏感性与对参数失谐的鲁棒性之间的权衡。我们研究的目的是分析这种权衡对决策表现的后果。为具体起见，我们聚焦于被广泛研究的随机点运动辨别任务。对于受实验数据约束的刺激参数，我们发现对输入敏感性的丧失对决策表现的代价惊人地小。这使得当反馈变得失谐时，鲁棒积分器能带来性能提升。此外，我们发现具有高度鲁棒性和失谐的积分器模型仍然与实验中发现的计时与准确率函数相一致。我们通过对瞬时信号与积分信号的序贯分析解释了我们的发现，并讨论了其启示：鲁棒积分器可能惊人地适合在许多认知任务中支持证据整合的基本功能。
引用
@article{arxiv.1111.6573,
title = {Neural integrators for decision making: A favorable tradeoff between robustness and sensitivity},
author = {Nicholas Cain and Andrea K. Barreiro and Michael Shadlen and Eric Shea-Brown},
journal= {arXiv preprint arXiv:1111.6573},
year = {2011}
}