Modelos Jerárquicos en el Cerebro

Este artículo describe un modelo general que engloba muchos modelos paramétricos para datos continuos. El modelo comprende capas ocultas de modelos de espacio de estados o modelos causales dinámicos, dispuestos de manera que la salida de uno provee la entrada a otro. La jerarquía resultante proporciona un modelo para muchos tipos de datos, con complejidad arbitraria. Los casos especiales varían desde el modelo lineal general para datos estáticos hasta modelos generalizados de convolución, con ruido del sistema, para el análisis de series temporales no lineales. Fundamentalmente, todos estos modelos pueden invertirse usando exactamente el mismo esquema, a saber, la maximización de expectativa dinámica. Esto significa que un solo modelo y esquema de optimización pueden usarse para invertir una amplia gama de modelos. Presentamos el modelo y una breve revisión de su inversión para revelar las relaciones entre, aparentemente, diversos modelos generativos de datos empíricos. Luego mostramos que esta inversión puede formularse como una red neuronal simple y puede proporcionar una metáfora útil para la inferencia y el aprendizaje en el cerebro.