Sequential neuronal activity underlies a wide range of processes in the brain. Neuroscientific evidence for neuronal sequences has been reported in domains as diverse as perception, motor control, speech, spatial navigation and memory. Consequently, different dynamical principles have been proposed as possible sequence-generating mechanisms. Combining experimental findings with computational concepts like the Bayesian brain hypothesis and predictive coding leads to the interesting possibility that predictive and inferential processes in the brain are grounded on generative processes which maintain a sequential structure. While probabilistic inference about ongoing sequences is a useful computational model for both the analysis of neuroscientific data and a wide range of problems in artificial recognition and motor control, research on the subject is relatively scarce and distributed over different fields in the neurosciences. Here we review key findings about neuronal sequences and relate these to the concept of online inference on sequences as a model of sensory-motor processing and recognition. We propose that describing sequential neuronal activity as an expression of probabilistic inference over sequences may lead to novel perspectives on brain function. Importantly, it is promising to translate the key idea of probabilistic inference on sequences to machine learning, in order to address challenges in the real-time recognition of speech and human motion.

中文翻译：

---

贝叶斯在线推理的神经元序列模型

顺序神经元活动是大脑中广泛过程的基础。神经元序列的神经科学证据已经在感知、运动控制、语音、空间导航和记忆等不同领域得到了报道。因此，已经提出了不同的动力学原理作为可能的序列生成机制。将实验结果与贝叶斯大脑假设和预测编码等计算概念相结合，得出了一个有趣的可能性，即大脑中的预测和推理过程基于维持顺序结构的生成过程。虽然关于正在进行的序列的概率推理是一种有用的计算模型，可用于分析神经科学数据以及人工识别和运动控制中的各种问题，关于该主题的研究相对稀缺，并且分布在神经科学的不同领域。在这里，我们回顾了关于神经元序列的主要发现，并将这些发现与作为感觉运动处理和识别模型的序列在线推理概念相关联。我们建议将序列神经元活动描述为对序列的概率推理的表达，可能会导致对大脑功能的新观点。重要的是，有希望将序列概率推理的关键思想转化为机器学习，以解决语音和人体运动实时识别方面的挑战。在这里，我们回顾了关于神经元序列的主要发现，并将这些发现与作为感觉运动处理和识别模型的序列在线推理概念相关联。我们建议将序列神经元活动描述为对序列的概率推理的表达，可能会导致对大脑功能的新观点。重要的是，有希望将序列概率推理的关键思想转化为机器学习，以解决语音和人体运动实时识别方面的挑战。在这里，我们回顾了关于神经元序列的主要发现，并将这些发现与作为感觉运动处理和识别模型的序列在线推理概念相关联。我们建议将序列神经元活动描述为对序列的概率推理的表达，可能会导致对大脑功能的新观点。重要的是，有希望将序列概率推理的关键思想转化为机器学习，以解决语音和人体运动实时识别方面的挑战。