예측 코딩(PC)은 인간의 뇌가 시각 세계에 대한 시공간적 예측을 통해 인지를 처리한다는 인지 과학의 이론적 틀입니다. 기존 연구에서는 PC 이론을 기반으로 시공간적 예측 신경망을 탐구하고 두 가지 핵심 메커니즘(학습 예측 오류와 계층적 구조)을 시뮬레이션했습니다. 그러나 이러한 모델은 실제 예측 작업에서 예측 기술의 향상을 보여주지 못하며 PC 이론의 정밀도 가중치 메커니즘을 무시합니다. 정밀도 가중치 메커니즘은 뇌가 정밀도가 낮은 신호에 더 많은 주의를 기울일 것이라고 믿으며, 이는 인간 뇌의 인지 능력과 효율성을 개선하는 데 도움이 됩니다.

신경과학에서 예측 코딩(예측 처리라고도 함)은 뇌가 환경에 대한 "정신 모델"을 지속적으로 생성하고 업데이트한다고 가정하는 뇌 기능 이론입니다. 이 이론에 따르면, 이러한 정신 모델은 감각으로부터의 입력 신호를 예측하는 데 사용되며, 예측된 신호는 이후 해당 감각으로부터의 실제 입력 신호와 비교됩니다. 표현 학습의 인기가 높아짐에 따라 이 이론은 기계 학습 및 관련 분야에서 활발하게 탐구되고 적용되었습니다.

참고문헌

【1】위키피디아

【2】HelmFluid: 해석 가능한 유체 예측을 위한 헬름홀츠 역학 학습