Psychotic Markov Blankets: Striking a Free Energy Balance for Complex Adaptation
本文提出了一个优化复杂适应系统（CAS）与环境适应和协调的框架，通过引入“精神病态”马尔可夫毯概念，解释系统因过度刚性陷入“卡住状态”的机制，并为从细胞到生态系统的现实问题提供优化适应方向。
2023-05-20 nlin.AO q-bio.NC
Dynamic Markov Blanket Detection for Macroscopic Physics Discovery
本文利用自由能原理开发动态马尔可夫毯检测算法，从微观观测中识别宏观对象及其交互规律，并通过数值实验验证其有效性。
2025-02-28 q-bio.NC
Bayesian Mechanics for Stationary Processes
本文发展了一种适应系统的贝叶斯机制。首先，我们用马尔可夫毯对系统与环境之间的界面进行建模。这提供了在毯内部的状态编码关于外部状态的信息的条件。其次，我们引入动态和代表适应系统在稳态马尔可夫毯。这使我们能够识别出一类广泛的系统，其内部状态似乎可以推断外部状态，这与贝叶斯统计和理论神经科学中的变分推理一致。最后，我们将毯子划分为感觉状态和活动状态。因此，主动状态可以被视为执行主动推理和众所周知的随机控制形式（如PID控制），这是理论生物学和工程学中自适应行为的重要公式。
2021-10-26 math-ph math.MP math.OC
A free energy principle for a particular physics
这本专著试图从统计学的意义上对每一个可以与其他事物区分开来的“事物”进行理论分析。随后的统计独立性，介导的马尔可夫毯，讲一个递归组成的合奏（的东西）在越来越高的时空尺度。这种分解提供了对小事物的描述;例如，量子力学-通过薛定谔方程，小东西的合奏-通过统计力学和相关的波动定理，通过大东西-通过经典力学。这些描述与自主或主动事物的贝叶斯机制相补充。虽然这项工作提供了一个制定的每一件事，其主要贡献是检查马尔可夫毯的影响，自组织非平衡稳态。简而言之，我们恢复了一个信息几何和伴随的自由能原理，它允许人们将某物的内部状态解释为代表或推断其外部状态。随后的贝叶斯力学与量子力学、统计力学和经典力学兼容，并可能提供对类生命粒子的正式描述。
2019-06-24 q-bio.NC
Markov Brains: A Technical Introduction
Michigan State University（密歇根州立大学）；California Institute of Technology（加州理工学院）；University of Pennsylvania（宾夕法尼亚大学）；University of Wisconsin（威斯康星大学）；Indiana University（印第安纳大学）
马尔可夫脑是一类可进化的人工神经网络（ANN）。它们在许多方面与传统的人工神经网络不同，但关键的区别在于，马尔可夫大脑不是分层架构，每个节点执行相同的功能，而是由单个计算组件构建的网络。这些计算组件彼此交互，接收来自传感器的输入，并控制电机输出。计算组件的功能，它们之间的连接以及与传感器和电机的连接都受到进化优化的影响。在这里，我们详细描述了马尔可夫大脑是如何工作的，可以使用什么技术来研究它们，以及它们是如何进化的。
2017-09-17 cs.AI q-bio.NC
Markov Processes and Brain Network Hubs
本文将大脑神经网络建模为有向图并引入Markov矩阵形成连续Markov过程，假设网络枢纽为平稳分布中概率最高的节点，并推导出图直径基于矩阵特征值的新上界。
2024-07-09 math.PR q-bio.NC
Multi-Region Markovian Gaussian Process: An Efficient Method to Discover Directional Communications Across Multiple Brain Regions
School of Computational Science & Engineering, Georgia Institute of Technology（佐治亚理工学院计算科学与工程学院）
本研究提出多区域马尔可夫高斯过程（MRM-GP），结合高斯过程与线性动力系统，以线性推断成本高效发现跨大脑区域的方向性通信并分离振荡频带。
2024-05-30 cs.LG q-bio.NC
Markov models for fMRI correlation structure: is brain functional connectivity small world, or decomposable into networks?
通过功能性磁共振成像（fMRI）观察到的信号的相关性，预计将揭示通过血液动力学反应在潜在的神经群体的相互作用。特别是，他们强调了与不同认知功能相关的大脑网络相对应的相互关联区域的分布式集合。然而，神经连接的图论研究给出了一个不同的图景：一个具有小世界特性的高度集成系统：局部聚类，但整个结构中的路径较短。我们研究的功能磁共振成像信号的条件独立性，即其马尔可夫结构，找到现实的假设所需的解释所观察到的功能连接的连接结构。特别是，我们寻求分解的马尔可夫结构到隔离的功能网络使用可分解的图形：一组强连接和部分重叠的集团。我们引入了一种新的方法来有效地提取这样的团在一个大的，强连通图。我们通过测试他们在新数据上学习的模型的拟合优度来比较从功能连接性学习不同图结构的方法。我们发现，将结构概括为强连接网络只能很好地描述非常大的重叠网络。这些结果表明，马尔可夫模型是从fMRI信号中识别大脑连接结构的好工具，但为此目的，它们必须反映底层神经系统的小世界特性。
2012-02-03 q-bio.NC stat.AP
Modeling state-transition dynamics in resting-state brain signals by the hidden Markov and Gaussian mixture models
最近的研究提出，可以将大脑活动总结为相对少量的隐藏状态中的动态，这种方法是揭示大脑功能的一种有前途的工具。隐马尔可夫模型（Hidden Markov Models，HMPM）是一种在离散的大脑状态中推断这种神经动力学的流行方法。然而，假设马尔可夫结构的神经时间序列数据的影响还没有得到充分的研究。在这里，为了解决这种情况，并检查HMM的性能，我们比较模型与高斯混合模型（GMM），这是没有时间正则化，因此统计上更简单的模型比HMM，通过应用这两个模型的合成时间序列产生的经验静息状态功能磁共振成像（fMRI）数据。我们比较了GMM和HMM的各种采样频率，每个参与者的记录长度，参与者的数量和独立分量信号的数量。我们发现，在大多数情况下，HMM达到了更好的精度估计隐藏状态比GMM。然而，我们也发现，在采样频率合理低的条件下（例如，TR = 2.88或3.60 s）或数据相对较短。这些结果表明，GMM可以是一个可行的替代HMM研究隐藏状态动力学在这种情况下。
2021-09-01 cond-mat.dis-nn q-bio.NC
Resting state brain networks from EEG: Hidden Markov states vs. classical microstates
功能性脑网络在亚秒级时间尺度上表现出动态性，通常被认为是认知过程的生理基础。在这里，我们分析这些状态的时间和空间动态，EEG测量，与隐马尔可夫模型，并比较这种方法与经典的EEG微观分析。我们发现两种方法的主导态寿命为100- 150 ms。这些州的地形显示出明显的相似性。然而，它们也具有独特的空间特性，特别是时间特性。这些差异可以携带源自数据中的模式的生理上有意义的信息，HMM能够整合这些信息，而微观状态分析不能。这一假设是由一个一贯的高成对相关性的时间演变的EEG微观状态，这是没有观察到的HMM状态，这似乎不太可能是一个很好的描述的基础生理。然而，需要进一步的调查，以确定的鲁棒性和功能和临床相关性的EEG HMM状态相比，EEG microstates。
2016-06-07 q-bio.NC stat.ML
Ranking of Communities in Multiplex Spatiotemporal Models of Brain Dynamics
University College London（伦敦大学学院）；University of Oxford（牛津大学）；The Alan Turing Institute（艾伦·图灵研究所）
作为一个相对较新的领域，网络神经科学倾向于关注大脑在许多连续实验或长时间记录中的平均行为，以构建强大的大脑模型。这些模型在解释大脑中作为正常大脑功能的结果而自发发生的动态变化方面能力有限。在神经成像时间序列数据上训练的隐马尔可夫模型（HMRM）已经作为产生易于训练但难以完全参数化或分析的动态模型的方法而出现。我们提出了一个解释，这些神经障碍的多重大脑状态图模型，我们长期隐马尔可夫图模型（HMGMs）。这种解释允许使用完整的网络分析技术来分析动态大脑活动。此外，我们提出了一种在没有外部数据的情况下选择HMM超参数的通用方法，基于最大熵的原则，并使用它来选择多重模型中的层数。我们产生了一个新的工具，用于确定重要的社区的大脑区域使用时空随机行走为基础的程序，利用底层马尔可夫模型的结构。我们对真实的多学科功能磁共振成像数据的分析提供了新的结果，证实了大脑在休息时的模块化处理假设，并为动态大脑状态社区之间和内部的功能重叠提供了新的证据。我们的分析管道提供了一种在新的行为或条件下观察大脑动态网络活动的方法。
2022-05-17 cs.LG cs.SI q-bio.NC
Generative Modeling of Hidden Functional Brain Networks
功能连接性是指空间上不同的脑区域之间的时间统计关系，并且通常从感兴趣区域之间的脑活动的时间序列相干性/相关性推断。在人类脑功能网络中，网络结构通常由功能磁共振成像（fMRI）的血氧水平依赖（BOLD）信号推断。由于BOLD信号是神经元活动的代理，因此学习潜在的功能网络结构是有意义的。此外，尽管有一组关于函数网络的核心观察，如小世界性，模块性，指数截断度分布，以及各种类型的枢纽的存在，但对引起这些观察的计算原理知之甚少。本文介绍了一个隐马尔可夫随机场框架的目的表示，估计和评估潜在的神经元功能之间的关系，不同的大脑区域使用功能磁共振成像数据。
2015-02-27 q-bio.NC stat.ML
A Tale of Two Animats: What does it take to have goals?
一个系统，不管是不是生物系统，要有什么目标？在这里，这个问题是在硅片人工进化的背景下处理。通过研究由小型自适应神经网络（马尔可夫脑）控制的人工有机体（“animats”）的信息和因果属性，本文讨论了内在信息、自主性和意义的必要要求。重点在于比较两种类型的马尔可夫大脑，它们在相同的简单环境中进化：一种是其元素之间的纯前馈连接，另一种是一组相互因果约束的集成元素。虽然这两种类型的大脑都“处理”关于其环境的信息，并且同样适合，但只有整合的大脑在外部影响的背景之上形成了一个因果自主实体。这表明，要评估目标对系统本身是否有意义，重要的是要了解系统是什么，而不是它做什么。
2017-05-30 cs.NE q-bio.NC
The Energy Landscape Underpinning Module Dynamics in the Human Brain Connectome
人类的大脑动力学可以通过统计力学的镜头进行有益的观察，其中神经生理活动在代表首选精神状态的局部吸引子周围和之间演变。许多受物理启发的这些动态模型基于对区域活动的瞬时测量来定义大脑的状态。然而，最近在网络神经科学方面的研究提供了初步证据，表明大脑也可能具有由局部相干活动或功能模块组成的时变状态的特征。在这里，我们研究这种基于网络的大脑状态概念，以了解功能模块如何动态地相互作用以执行认知功能。我们估计感兴趣的区域（ROI）之间的功能关系，通过拟合成对的最大熵模型，每个ROI的模式效忠功能模块。在这个模型中的局部极小值表示吸引子状态，其特征在于模块化结构的特定模式。局部最小值的聚类突出了三类具有类似模式的忠诚社区状态的ROI。视觉、注意力、感觉运动和皮质下ROI倾向于形成单一的功能社区。其余的ROI倾向于形成一个假定的执行控制社区或一个假定的默认模式和显着社区。我们使用马尔可夫链蒙特卡罗随机游走来模拟大脑在这些社区状态之间的动态转换。我们观察到，盆地之间的模拟过渡概率类似于经验观察到的社区效忠状态之间的过渡，在静息状态的功能磁共振成像数据。这些结果共同提供了一个视图的大脑作为一个动态系统之间的过渡盆地的吸引力的特点是连贯的活动在小群体的大脑区域，这些吸引力的强度取决于正在执行的认知计算。
2016-09-05 q-bio.NC
The structure of evolved representations across different substrates for artificial intelligence
Michigan State University（密歇根州立大学）
人工神经网络（ANN）虽然对分类非常有用，但容易受到误导。少量的噪音会严重影响他们正确完成任务的能力。人工神经网络似乎专注于给定任务中的表面统计特征，而不是概括概念。在这里，我们比较了递归人工神经网络、长短期记忆单元和马尔可夫大脑如何感知和记忆它们的环境。我们发现，马尔可夫大脑中的信息是局部的，分布稀疏，而其他神经网络基板“涂抹”信息的环境中的所有节点，这使得他们容易受到噪音。
2018-04-05 cs.AI cs.NE nlin.AO
