Как понять, чего ты не знаешь

  • Home
  • blog
  • Как понять, чего ты не знаешь
blog image

Все чаще биологи обращаются к компьютерному моделированию, чтобы разобраться в сложных системах. В области нейробиологии исследователи адаптируют различные алгоритмы, используемые для прогнозирования погоды или фильтрации спама из вашей электронной почты, чтобы получить представление о том, как нейронные сети мозга обрабатывают информацию.

Новое исследование, проведенное доцентом лаборатории Колд-Спринг-Харбор Татьяной Энгель, предлагает биологам важные рекомендации, использующие такие модели. Тестируя различные вычислительные модели нервной системы, она и доктор наук Михаил Генкин обнаружили, что тот факт, что модель может делать хорошие прогнозы относительно данных, не означает, что она отражает основную логику биологической системы, которую она представляет. По их словам, использование таких моделей без тщательной оценки их достоверности может привести к неправильным выводам о том, как работает реальная система.

Работа, опубликованная 26 октября 2020 года в журнале Nature Machine Intelligence , касается типа машинного обучения, известного как гибкое моделирование, которое дает пользователям свободу исследовать широкий спектр возможностей без предварительного формулирования конкретных гипотез. Лаборатория Энгеля обратилась к таким моделям, чтобы исследовать, как передача сигналов в головном мозге приводит к принятию решений.

Когда дело доходит до прогнозирования погоды или прогнозирования тенденций на фондовом рынке , ценна любая модель, которая делает хорошие прогнозы. Но Энгель говорит, что у биологов цели другие:

«Поскольку мы заинтересованы в научной интерпретации и на самом деле выявляем гипотезы на основе данных, нам нужно не только подогнать модель под данные, но и проанализировать или понять модель, которую мы получаем, верно? Итак, мы хотим смотреть, как Я сказал, что мы хотим изучить структуру модели и механизм модели, чтобы сделать вывод, что, возможно, так работает мозг ».

Энгель сказал, что можно делать хорошие прогнозы, используя неправильные предположения, указывая на древнюю модель Солнечной системы, которая точно предсказывала движения небесных тел, утверждая, что эти тела вращаются вокруг Земли, а не Солнца. Поэтому важно было подумать, насколько можно доверять конкретным моделям нейронных сетей.

Создав и сравнив несколько моделей нейронных сигналов, Энгель и Генкин обнаружили, что хорошая предсказательная сила не обязательно указывает на то, что модель является хорошим представлением реальных нейронных сетей. Они обнаружили, что лучшими моделями были те, которые были наиболее последовательными в нескольких наборах данных. Однако этот подход не обязательно будет работать для всех ситуаций, и биологам могут потребоваться альтернативные методы оценки своих моделей. Самое главное, сказал Генкин: «Мы не должны принимать ничего как должное. Мы должны проверять все свои предположения».