Storyboard

El reconocimiento de objetos, eventos y riesgos es el problema de asignar una categoría semántica (presa, predador, compañero, obstáculo) a los patrones sensoriales. La teoría de decisión bayesiana proporciona el marco óptimo: maximizar la utilidad esperada ponderando la probabilidad posterior de cada hipótesis por las consecuencias de cada decisión.

La distancia de Mahalanobis normaliza la distancia al centroide de cada clase por la variabilidad de esa clase (¹): evita la distorsión por correlaciones entre características. En clasificación lineal gaussiana, el límite de decisión óptimo es la hipersuperficie donde d²_M es igual entre dos clases, que es un hiperplano (análisis discriminante lineal).

La teoría de detección de señales (TDS) separa la sensibilidad (d', que depende del SNR) del criterio de respuesta (, que depende de las probabilidades a priori y las consecuencias). Un observador puede tener alta sensibilidad (d' alto) y aun así cometer errores si su criterio está sesgado. Aplicar TDS al comportamiento animal permite separar los límites sensoriales de los sesgos de decisión.

La integración de evidencia por difusión (modelo de carrera) acumula evidencia sensorial hasta un umbral _dec: modela el tiempo de reacción y la tasa de errores simultáneamente. La velocidad de derivación _drift es proporcional al SNR del estímulo; el umbral _dec controla la compensación velocidad-exactitud. Neuronas en LIP (lóbulo parietal inferior) de primates muestran ramping activity consistente con este modelo.

La función de riesgo percibido R_perc introduce la asimetría de costos: en situaciones de peligro, C_daño >> C_falsopos, lo que hace que el umbral de acción sea muy bajo (mejor huir por una falsa alarma que no huir ante un predador real). Esta asimetría evolutiva explica las respuestas de miedo exageradas y los sesgos de negatividad observados en animales.

>Modelo

ID:('ky', 585)

Descripción

Cálculos

• Método alternativo
• Método tradicional
• Estrategia
• 2D
• 3D

Ecuación

Número

Primero, seleccione la ecuación:   a ,  luego, seleccione la variable:   a 

---

Símbolo

Ecuación

Resuelto

Traducido

Cálculos

Símbolo

Ecuación

Resuelto

Traducido

 Variable   Dado   Calcule   Objetivo :   Ecuación   A utilizar

Variables

$mu$

mu

Centroide de clase

1

$C_{ m daño}$

C_dano

Costo de daño

1

$C_{ m falsopos}$

C_falsopos

Costo falso positivo

1

$\beta$

beta

Criterio de decisión

1

$sigma$

sigma

Desviación estándar

1

$d_M^2$

d_M2

Distancia de Mahalanobis cuadrada

1

$X$

X

Evidencia acumulada

1

$Sigma$

Sigma

Matriz de covarianza

1

$W$

W

Matriz/pesos neuronales

1

$mu_N$

mu_N

Media ruido

1

$mu_S$

mu_S

Media señal

1

$N_{ m alt}$

N_alt

Número de alternativas

1

$L_{ji}$

L_ji

Pérdida/error

1

$P(H_imid x)$

P_Hi_x

Posterior hipótesis i

1

$P(H_jmid x)$

P_Hj_x

Posterior hipótesis j

1

$P_{ m peligro}$

P_danger

Probabilidad de peligro

1

$R_{ m perc}$

R_perc

Riesgo percibido

1

$y$

y

Salida de clasificador

1

$d'$

d_prime

Sensibilidad TDS

1

$b$

b

Sesgo neuronal

1

$L_{ii}$

L_ii

Utilidad/acierto

1

$x$

x

Vector de características

1

$mu_{ m drift}$

mu_drift

Deriva de evidencia

1/s

$sigma_{ m diff}$

sigma_diff

Ruido de difusión

1/s¹?²

$b$

b_RT

Pendiente Hick-Hyman

s/bit

$t$

t

Tiempo

s

$a$

a_RT

Tiempo base

s

$RT$

RT

Tiempo de reacción

s

ID:(0, 585)