Pigeons are well known for their vi

Pigeons are well known for their visual capabilities as well as their ability to categorize visual stimuli at both
the basic and superordinate level. We adopt a reverse engineering approach to study categorization
learning: Instead of training pigeons on predefined categories, we simply present stimuli and analyze
neural output in search of categorical clustering on a solely neural level. We presented artificial stimuli,
pictorial and grating stimuli, to pigeons without the need of any differential behavioral responding
while recording from the nidopallium frontolaterale (NFL), a higher visual area in the avian brain. The
pictorial stimuli differed in color and shape; the gratings differed in spatial frequency and amplitude. We
computed representational dissimilarity matrices to reveal categorical clustering based on both neural
data and pecking behavior. Based on neural output of the NFL, pictorial and grating stimuli were
differentially represented in the brain. Pecking behavior showed a similar pattern, but to a lesser extent.
A further subclustering within pictorial stimuli according to color and shape, and within gratings
according to frequency and amplitude, was not present. Our study gives proof-of-concept that this reverse
engineering approach—namely reading out categorical information from neural data—can be quite
helpful in understanding the neural underpinnings of categorization learning.

ผลลัพธ์ (ไทย) 1:

นกพิราบรู้จักสำหรับความสามารถภาพตลอดจนความสามารถในการจัดประเภทสิ่งเร้าทางตาทั้งสองระดับพื้นฐาน และ superordinate เราใช้วิธีการวิศวกรรมย้อนกลับเพื่อศึกษาประเภทการเรียนรู้: แทนฝึกนกพิราบในประเภท เราเพียงแค่นำเสนอสิ่งเร้าที่กำหนดไว้ล่วงหน้า และวิเคราะห์ผลลัพธ์ของระบบประสาทในคลัสเตอร์แตกในระดับระบบประสาทแต่เพียงผู้เดียว เรานำเสนอสิ่งเร้าเทียมภาพและสิ่งเร้า grating ให้นกพิราบโดยไม่ต้องใด ๆ ตอบสนองพฤติกรรมต่างในขณะที่บันทึกจาก frontolaterale nidopallium (NFL), บริเวณภาพขึ้นในสมองนก การภาพสิ่งเร้าแตกต่างกันที่สีและรูปร่าง ทำความสะอาดที่แตกต่างกันในความถี่เชิงพื้นที่และคลื่น เราคำนวณเมทริกซ์ representational ความแตกต่างกันจะเปิดเผยแน่ชัด clustering อิงทั้งระบบประสาทข้อมูลและลักษณะการทำงานยุ่ง จากการแสดงผลของระบบประสาทของ NFL ภาพและสิ่งเร้า grating ได้ในสมองแทนแตกต่างกันด้วย จิกพฤติกรรมแสดงให้เห็นว่ารูปแบบที่คล้ายกัน แต่ขอบเขตที่น้อยการเพิ่ม subclustering ในภาพสิ่งเร้าตามสีและรูปร่าง และทำความสะอาดตามความถี่และแอมพลิจูด ไม่ ศึกษาของเราให้หลักฐานของแนวคิดที่ย้อนกลับนี้วิศวกรรมวิธีการ — อ่านข้อมูลแน่ชัดจากข้อมูลของระบบประสาทคือ — สามารถค่อนข้างประโยชน์ในการเข้าใจหนุนหลังประสาทของการเรียนรู้การจัดประเภท

ผลลัพธ์ (ไทย) 2:

นกพิราบเป็นที่รู้จักกันดีสำหรับความสามารถในการมองเห็นของพวกเขาเช่นเดียวกับความสามารถในการจัดหมวดหมู่สิ่งเร้าภาพทั้งใน
ระดับพื้นฐานและพอก เรานำวิธีการวิศวกรรมย้อนกลับเพื่อศึกษาการจัดหมวดหมู่
การเรียนรู้: แทนที่จะนกพิราบฝึกอบรมเกี่ยวกับประเภทที่กำหนดไว้ล่วงหน้าเราก็เร้าปัจจุบันและวิเคราะห์
การส่งออกของระบบประสาทในการค้นหาของการจัดกลุ่มเด็ดขาดในระดับประสาท แต่เพียงผู้เดียว เรานำเสนอสิ่งเร้าเทียม
เร้าภาพและตะแกรงเพื่อให้นกพิราบโดยไม่จำเป็นต้องของค่าใด ๆ พฤติกรรมการตอบสนอง
ในขณะที่บันทึกจาก nidopallium frontolaterale (NFL) ซึ่งเป็นพื้นที่ของภาพที่สูงขึ้นในสมองของนก
เร้าภาพแตกต่างกันในสีและรูปร่าง; gratings แตกต่างในเชิงพื้นที่และความถี่กว้าง เรา
คำนวณเมทริกซ์แตกต่างกันดำเนินการที่จะเปิดเผยการจัดกลุ่มตามเด็ดขาดทั้งประสาท
ข้อมูลและพฤติกรรมจิก ขึ้นอยู่กับการส่งออกของระบบประสาทของ NFL เร้าภาพและตะแกรงถูก
แสดงแตกต่างกันในสมอง พฤติกรรมจิกแสดงให้เห็นรูปแบบที่คล้ายกัน แต่ในระดับน้อย.
subclustering ต่อสิ่งเร้าที่อยู่ในภาพตามสีและรูปร่างและภายใน gratings
ตามความถี่และความกว้างไม่ได้ในปัจจุบัน การศึกษาของเราจะช่วยให้หลักฐานของแนวคิดที่ย้อนกลับนี้
วิศวกรรมแนวทางคือการอ่านออกข้อมูลเด็ดขาดจากประสาทข้อมูลจะค่อนข้าง
เป็นประโยชน์ในการทำความเข้าใจหนุนหลังประสาทของการเรียนรู้การจัดหมวดหมู่