Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Neuroinformatik Verhalten: Analyse und Modellierung Björn Brembs.

Ähnliche Präsentationen


Präsentation zum Thema: "Neuroinformatik Verhalten: Analyse und Modellierung Björn Brembs."—  Präsentation transkript:

1 Neuroinformatik Verhalten: Analyse und Modellierung Björn Brembs

2 Computational Neuroscience Daten- analyse Modell Experiment

3 Ivan Petrowitsch Pavlov

4 Pavlovs Hunde ValietTungusBarbos

5 Klassisches Konditionieren Pavlovs Hund UR

6 Zeitliche Paarung von CS und US

7 Komplexere Assoziationen (1960er) Overshadowing TrainingTest CS1+CS2+USCS1 alleine CS1+CS2+USCS2 alleine Blocking Prä-TrainingTestTrainingTest CS2+USCS2=100%CS1+CS2+USCS1 alleine CS1+USCS1=100%CS1+CS2+USCS2 alleine

8 Theoretische Formulierungen (1970er) Experiment/Analyse: Lernen ist von der zeitlichen Paarung der Reize abhängig Hypothese:Der prädiktive Wert des CS könnte für das Lernen entscheidend sein also: Lernen findet immer dann statt, wenn Erwartungen verletzt werden Formalisierte Hypothese:, mit V - Lernrate, - tatsächl. US Rescorla-Wagner-Regel (1972): Mit i - Salienz von CS i (0< <1), - Salienz des US (-1< <1) - erwarteter US

9 Rescorla Wagner Regel Anfangsbedingungen: V max = 100 (willkürlich) V all = 0 (kein Lernen) V cs = 0 (kein Lernen) c = 0.5 (willkürlich) Vereinfacht: V CS =c(V max -V all )

10 First Conditioning Trial Trial c (Vmax - Vall) =Vcs * =50

11 Second Conditioning Trial Trial c (Vmax - Vall) =Vcs 2.5* =25

12 Third Conditioning Trial Trial c (Vmax - Vall) =Vcs 3.5 * =12.5

13 4th Conditioning Trial Trial c (Vmax - Vall) =Vcs 4.5 * =6.25

14 5th Conditioning Trial Trial c (Vmax - Vall) =Vcs 5.5 * =3.125

15 6th Conditioning Trial Trial c (Vmax - Vall) =Vcs 6.5 * =1.56

16 7th Conditioning Trial Trial c (Vmax - Vall) =Vcs 7.5 * =.78

17 8th Conditioning Trial Trial c (Vmax - Vall) =Vcs 8.5 * =.39

18 Extinktion

19 1st Extinction Trial Trial c (Vmax - Vall) =Vcs 1.5 * =-49.8

20 2nd Extinction Trial Trial c (Vmax - Vall) =Vcs 2.5 * =-24.9

21 Hypothetical Acquisition & Extinction Curves with c=.5 and Vmax = 100

22 Acquisitions & Extinktions Kurven mit c=0,5 vs. c=0,2 (Vmax = 100)

23 Rescorla-Wagner Spreadsheet

24 R-W sagt Übererwartung voraus Blocking –Wenn V all =V max =100 wird CS2 kaum noch assoziative Stärke erreichen (Blocking) Übererwartung –Bei V all >V max wird V<0! Prä-Training1Test1Prä-Training2Test2TrainingTest3 CS1+USCS1=100%CS2+USCS2=100%CS1+CS2+USCS1+CS2 CS1+USCS1=100%CS2+USCS2=100%CS1+CS2+CS3+USCS3 Prä-TrainingTestTrainingTest CS2+USCS2=100%CS1+CS2+USCS1 alleine CS1+USCS1=100%CS1+CS2+USCS2 alleine V CS =c(V max -V all )

25 Computational Neuroscience Daten- analyse Modell Experiment

26 PER Konditionierung

27 R-W und Vum mx1

28 Blocking und Dopamin

29 Seit Rescorla und Wagner Sutton und Barto 1990: Reinforcement learning, temporal difference models actor-critic model assoziativen Lernens Reinforcement Learning: An Introduction Richard S. Sutton and Andrew G. Barto:

30 Analyse von Spontanverhalten

31 Die Organisation von Verhalten wird meist als Input/Output Modell beschrieben Konstanter InputKonstanter OutputVerrauschter Output Brain function is ultimately best understood in terms of input/output transformations and how they are produced. Michael Mauk (2000): Nature Neuroscience 3, Nicht jeder Reiz bedingt die gleiche Antwort… …aber jedes Verhalten ist eine Antwort auf einen Reiz

32 baseline spike Selbst bei konstantem sensorischem Eingang verhält sich die Fruchtfliege variabel Drosophila am Drehmoment-Kompensator

33 Zustandsraum-Rekonstruktion Koordinaten-Einbettung Zeitreihe: 80, 60, 40,…… Einbettungs-Dimension: 3 Drei Datenpunkte bestimmen einen 3D Vektor: All computations: Alexander Maye, UKE Hamburg

34 Geometric Random Inner Products: GRIP All computations: Alexander Maye, UKE Hamburg (Maye et al. 2007) Fliegen als Zufallsgeneratoren? Fliegenverhalten sieht nicht wie einfaches Rauschen aus Fliegen gegen Poisson Inter-Spike-Interval (ISI-)Analyse

35 All computations: Alexander Maye, UKE Hamburg (Maye et al. 2007) ISI-Verteilungen haben ein schweres Ende Statistik erster Ordnung Potenzgesetz: Skaleninvarianz

36 All computations: Alexander Maye, UKE Hamburg (Maye et al. 2007) Mischung der Einzelwerte ähnelt den Originaldaten nicht Unabhängigkeit der Daten

37 All computations: Alexander Maye, UKE Hamburg (Maye et al. 2007) Noch nicht einmal sehr komplexe stochastische Modelle reichen aus Nichtlinearität? Root mean square fluctuation of displacement Offensichtlich scheint die Nichtlinearität ein wichtigerer Faktor zu sein als die Zufälligkeit! Branched Poisson Process: BPP

38 All computations: Alexander Maye, UKE Hamburg (Maye et al. 2007) Mathematisch instabile, nichtlineare Prozesse steuern das Flugverhalten von Drosophila Nichtlineare Vorhersagen: S-Maps Logistische Gleichung: Nichtlinearität Korrelation nichtlinear linear/stochastisch

39 Ein neues Verhaltensmodell Haben Fruchtfliegen einen freien Willen? Es muss eine input-unabhängige Output-Komponente geben:


Herunterladen ppt "Neuroinformatik Verhalten: Analyse und Modellierung Björn Brembs."

Ähnliche Präsentationen


Google-Anzeigen