Storyboard

O reconhecimento de objetos, eventos e riscos é o problema de atribuir uma categoria semântica (presa, predador, companheiro, obstáculo) aos padrões sensoriais. A teoria da decisão bayesiana fornece a estrutura ideal: maximizar a utilidade esperada ponderando a probabilidade posterior de cada hipótese pelas consequências de cada decisão.

A distância de Mahalanobis normaliza a distância ao centróide de cada classe pela variabilidade dessa classe (¹): evita distorções devido a correlações entre características. Na classificação linear gaussiana, o limite de decisão ideal é a hipersuperfície onde d²_M é igual entre duas classes, que é um hiperplano (análise discriminante linear).

A teoria de detecção de sinal (SDT) separa a sensibilidade (d', que depende da SNR) do critério de resposta (, que depende de probabilidades e consequências a priori). Um observador pode ter alta sensibilidade (alto d') e ainda cometer erros se seu critério for tendencioso. A aplicação do TDS ao comportamento animal permite que os limites sensoriais sejam separados dos vieses de decisão.

A integração de evidências de difusão (modelo de corrida) acumula evidências sensoriais até um limite _dec: modela o tempo de reação e a taxa de erro simultaneamente. A velocidade de deriva _drift é proporcional ao SNR do estímulo; o limite _dec controla a compensação entre velocidade e precisão. Neurônios no IPL (lobo parietal inferior) de primatas mostram atividade crescente consistente com este modelo.

A função de risco percebido R_perc introduz assimetria de custos: em situações perigosas, C_damage >> C_falsepos, o que torna o limite de ação muito baixo (melhor fugir de um alarme falso do que não fugir de um predador real). Esta assimetria evolutiva explica as respostas exageradas ao medo e os preconceitos de negatividade observados nos animais.

>Modelo

ID:('ky', 585)

Descrição

ID:(0, 585)