Circular belief propagation as a model for optimal and suboptimal inference in the brain : extending the algorithm and proposing a neural implementation - Inria - Institut national de recherche en sciences et technologies du numérique Access content directly
Theses Year : 2021

Circular belief propagation as a model for optimal and suboptimal inference in the brain : extending the algorithm and proposing a neural implementation

La propagation circulaire de croyances comme modèle d'inférences optimales et sous-optimales dans le cerveau : extension de l'algorithme et proposition d'implémentation neurale

Abstract

Circular Inference is a Bayesian model of psychiatric disorders, previously designed to account for clinical manifestations of schizophrenia and psychosis. Circular Inference relies on the Circular Belief Propagation algorithm, an approximate probabilistic inference algorithm which proposes an additional parameter compared to Belief Propagation, called the loop correction factor. This loop correction factor sets the amount of circularity in the inference and is seen as a proxy to the (local) level of excitation-inhibition balance in the brain network assumed to perform probabilistic inferences. According to this framework, circular reasoning and psychotic symptoms arise for lowered loop correction factor, which would mean, for low levels of inhibition compared to excitation. The work presented in this thesis provides further evidence for Circular Inference as a model of pathological inferences (e.g., hallucinations and delusions), near-optimal inferences, and in between non-clinical suboptimal inferences, ranging from usual inference biases (exemplified by the bistable perception and the jumping to conclusions phenomena, and the general overconfidence) to sub-clinical behavior like believing in conspiracy theories despite contradicting evidence. Additionally, this thesis develops the Circular Inference model in different ways. First, conceptually, by providing the Circular BP algorithm with a theoretical foundation, which is done by relating it to existing algorithms such as Fractional BP. Second, more practically, by proposing neural implementations (rate networks and spiking networks, for binary or Gaussian variables) and biologically-plausible learning mechanisms overall describing how probabilistic inferences could be carried out in the brain using this algorithm. Finally, the model is expanded theoretically, by investigating the convergence properties of the algorithm, by writing Circular BP for more complex probability distributions than previously, and by generalizing the initial Circular BP into extended Circular BP.
Le modèle d'inférence circulaire est un modèle bayésien de troubles psychiatriques, initialement conçu pour rendre compte des manifestations cliniques de la schizophrénie et de la psychose. L'inférence circulaire repose sur l'algorithme de propagation circulaire de croyances, un algorithme d'inférence probabiliste approximative qui propose un paramètre additionnel comparé à l'algorithme de propagation de croyances ou Belief Propagation. Ce paramètre est appelé le facteur de correction des boucles. Il fixe la quantité de circularité dans l'inférence et est considéré comme représentant le niveau d'équilibre (local) entre les processus d'excitation et d'inhibition dans le réseau cérébral supposé réaliser les opérations d'inférence probabiliste. Dans ce cadre, les raisonnements circulaires et les symptômes psychotiques émaneraient d'une diminution du facteur de correction de boucles, c'est-à-dire, d'un faible niveau d'inhibition comparé au niveau d'excitation. Le travail présenté dans cette thèse permet d'appuyer le modèle d'inférence circulaire comme modèle d'inférences pathologiques (par exemple les hallucinations et les idées délirantes), d'inférences presque-optimales, et entre les deux d'inférences sous-optimales non cliniques, allant des biais usuels d'inférence (comme l'illustrent les phénomènes de perception bistable et de prise de décision hâtive, et la confiance excessive généralisée) aux comportements infracliniques comme le fait de croire en des théories du complot malgré des éléments contredisant ces théories. De plus, cette thèse développe le modèle d'inférence circulaire de façons diverses. Premièrement, conceptuellement, en procurant à l'algorithme de propagation circulaire de croyances une fondation théorique, ce qui est réalisé en le reliant à des algorithmes existants comme la propagation fractionnaire de croyances. Deuxièmement, de façon plus pratique, en proposant des implémentations neurales (réseaux de neurones à rate ou à spikes, pour des variables binaires ou gaussiennes) et des mécanismes d'apprentissage biologiquement plausibles décrivant tous les deux comment les inférences probabilistes pourraient être réalisées dans le cerveau en utilisant cet algorithme. Enfin, le modèle est développé sur le plan théorique, en examinant les propriétés de convergence de l'algorithme de propagation circulaire, en formulant l'algorithme pour des distributions de probabilité plus complexes que précédemment, et en proposant une généralisation avec l'algorithme de propagation circulaire étendu.
Fichier principal
Vignette du fichier
va_Bouttier_Vincent.pdf (16.83 Mo) Télécharger le fichier
Origin : Version validated by the jury (STAR)

Dates and versions

tel-04530051 , version 1 (02-04-2024)

Identifiers

  • HAL Id : tel-04530051 , version 1

Cite

Vincent Bouttier. Circular belief propagation as a model for optimal and suboptimal inference in the brain : extending the algorithm and proposing a neural implementation. Neuroscience. Université Paris Cité, 2021. English. ⟨NNT : 2021UNIP5156⟩. ⟨tel-04530051⟩
0 View
0 Download

Share

Gmail Facebook X LinkedIn More