Peter M. E. Claessens
Áreas de Interesse:
Organização perceptual; Dinâmica atencional; Percepção de brilho; Percepção como inferência Bayesiana; Metodologia e análise psicofísica
Publicações selecionadas:
- Claessens, P. M., & Wagemans, J. (2005). Perceptual grouping in Gabor lattices: Proximity and alignment. Perception & Psychophysics, 67 (8), 1446-1459.
- Claessens, P. M. E., & Wagemans, J. (2008). A Bayesian framework for cue integration in multistable grouping: Proximity, collinearity, and orientation priors in zigzag lattices. Journal of Vision, 8(7):33, 1-23.
- Cravo, A. M., Claessens, P. M. E., & Baldo, V. (2009). Voluntary action and causality in temporal binding. Experimental Brain Research. doi: 10.1007/s00221-009-1969-0.
Lattes: http://lattes.cnpq.br/8726434469607765
Projetos de pesquisa
Título: Surpresa e
Aprendizagem em Redes Bayesianas para Inferencia Perceptual
Resumo: Percepção pode ser
definida como o processo de redução da incerteza
sobre o ambiente a partir de informação sensorial e
conhecimento prévio. O teorema do Bayes fornece a base da
teoria normativa sobre como informação sensorial e
expectativas sobre o mundo, com as respectivas incertezas, devem
ser combinadas. Experimentos psicofísicos recentes
têm levantado indícios convincentes que observadores
de fato realizam uma integração Bayesiana de
informação e conhecimento, ou de várias
fontes de informação. Contudo, ambientes naturais
são bem mais complexos que estímulos tipicamente
usados em experimentos que estudam aspectos da
percepção como inferência Bayesiana.
Utilizamos toda a riqueza da informação sensorial
para determinar decisões perceptuais; sem esforço
nenhum, integramos diversas características ou pistas em
várias modalidades; os nossos julgamentos são
influenciados por elementos de informação
contextual, que co-determina as nossas
interpretações de forma dinâmica; somos
capazes de internalizar regularidades estatísticas do
mundo, e recalibrar as nossas expectativas e a
ponderação das diversas fontes de
informação sensorial. Neste projeto, buscamos
desenvolver redes Bayesianas, um formalismo para inferência
probabilística em sistemas complexos, como modelo
computacional da percepção. Investigaremos os
princípios e mecanismos através dos quais o sistema
nervoso – e potencialmente, sistemas artificiais –
executa os cálculos exigentes, com atenção
especial para modelos neurais promissores como potencial
substrato biológico para estas operações.
Experimentos psicofísicos com registro concomitante de
sinais fisiológicos como a resposta eletrodérmica,
explorarão o papel da surpresa e da atenção
na aprendizagem e atualização das probabilidades e
da estrutura causal do ambiente.
Agência de fomento: UFABC