<div dir="ltr"><div dir="ltr">Just a final reminder about the talk this afternoon at 3:30. <div><br></div><div>Bryan </div></div><br><div class="gmail_quote"><div dir="ltr" class="gmail_attr">On Tue, Nov 12, 2019 at 8:06 AM Bryan Tripp <<a href="mailto:bptripp@gmail.com">bptripp@gmail.com</a>> wrote:<br></div><blockquote class="gmail_quote" style="margin:0px 0px 0px 0.8ex;border-left:1px solid rgb(204,204,204);padding-left:1ex"><div dir="ltr">Hi everyone, <div><br></div><div>Please join us for a CTN seminar next Wednesday afternoon (not Tuesday this time). Details below. </div><div><br></div><div>Bryan</div><div><br></div><div>Rational thoughts in neural codes</div><div>Xaq Pitkow, Rice University (Houston)</div><div>3:30 Wednesday Nov 20, E7 7363 <br></div><div><br></div>Abstract: Complex behaviors are often driven by an internal model, which integrates sensory information over time and facilitates long-term planning to reach subjective goals. We interpret behavioral data by assuming an agent behaves rationally — that is, they take actions that optimize their subjective reward according to their understanding of the task and its relevant causal variables. We apply a new method, Inverse Rational Control (IRC), to learn an agent’s internal model and reward function by maximizing the likelihood of its measured sensory observations and actions. This thereby extracts rational and interpretable thoughts of the agent from its behavior. We also provide a framework for interpreting encoding, recoding and decoding of neural data in light of this rational model for behavior. When applied to behavioral and neural data from simulated agents performing suboptimally on a naturalistic foraging task, this method successfully recovers their internal model and reward function, as well as the computational dynamics within the neural manifold that represents the task. This work lays a foundation for discovering how the brain represents and computes with dynamic beliefs.<br><br><div><br></div></div>
</blockquote></div></div>