.png){kind=icon}
返回
Predictive processing in volatile environments
.png){kind=icon}
PRE
AI
DOI：10.1016/j.beproc.2026.105384.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
适应性行为要求生物体在不确定性下做出决策，平衡已知选项的利用与探索，以应对环境结构的变化。在生态学和神经科学领域，这一问题已通过概率选择、逆转学习、觅食任务、强化学习和贝叶斯推理等不同的实验和理论框架进行研究。本文从预测处理的角度综合了这些观点，认为它们解决了一个共同的计算挑战：推断潜在的环境结构并调整行为以应对不同来源的变异性。我们区分了不确定性的关键形式，并回顾了证据表明动物能够根据结果变异性的推断来源调节学习率、持续性和探索行为。实验室范式（如概率逆转学习）提供了控制环境来区分对噪声的敏感性与对变化的敏感性，而觅食任务揭示了局部波动如何与全球环境质量估计相结合。跨物种研究表明，决策的表观变异性通常反映适应性采样而非次优噪声。此外，我们回顾了证据表明皮层和皮层下回路能够编码预测和环境统计信息，并且神经调节系统（包括去甲肾上腺素、乙酰胆碱、多巴胺和血清素）会调节新证据相对于先验信念的影响力。这些发现共同支持一种适应性决策的观点，即分层不确定性解决机制，其运作跨越行为时间和实验背景，并提供了一个连接生态决策规则、实验室模型和神经机制的框架。
Keyword:
Predictive processing
Adaptive decision-making
Uncertainty and volatility
Reversal learning
Behavioral ecology
期刊
IF:
1.5
论文数:
94
被引数:
5.2K
机构
引用论文
Acetylcholine modulates prefrontal outcome coding during threat learning under uncertainty乙酰胆碱在威胁学习的不确定性条件下调节前额叶皮质的结果编码.png)
eLife
eLifeIF0
PREAI
分享收藏分享收藏Bayesian reinforcement learning models reveal how great-tailed grackles improve their behavioral flexibility in serial reversal learning experiments贝叶斯强化学习模型揭示大尾拟八哥如何在序列反转学习实验中提高其行为灵活性
PREAI
分享收藏Model-Based Influences on Humans' Choices and Striatal Prediction Errors基于模型对人类选择和纹状体预测误差的影响NEURON
OAAI
NEURONIF15
OAAI分享收藏
查看更多内容