Quantifying the information about uncertainty in neural population codes
Diese Arbeit etabliert einen theoretischen Rahmen, der neuronale Populationscodes mit Unsicherheit verknüpft, indem sie zeigt, dass adjungierte Informationen, quantifiziert durch den Verlust an Transinformation und Fisher-Information, inhärent nicht-gaußsche Schätzfehler erzeugen und eine obere Schranke für das aus neuronaler Aktivität allein zugängliche Unsicherheitswissen definieren.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Ihr Gehirn wäre eine hochmoderne Detektei, die ständig versucht herauszufinden, was in der Welt geschieht. Jedes Mal, wenn Sie ein Auto vorbeirasen sehen oder einen Vogel zwitschern hören, versammelt Ihr Gehirn eine riesige Menge winziger Boten (Neuronen), die Hinweise herbeischreien. Aber hier ist der Haken: Diese Boten sind ein wenig unruhig. Sie schreien nicht immer exakt dasselbe; manchmal flüstern sie, manchmal schreien sie, und manchmal sind sie abgelenkt. Aufgrund dieses „Rauschens“ ist die beste Vermutung Ihres Gehirns über die Welt niemals zu 100 % perfekt. Sie ist immer ein kleines bisschen unsicher.
Aber hier ist der wirklich coole Teil: Ihr Gehirn rät nicht nur; es scheint auch zu wissen, wie gut diese Vermutung ist. Wenn Sie ein Auto im hellen Sonnenlicht betrachten, fühlt sich Ihr Gehirn sicher. Wenn Sie dasselbe Auto in dichtem Nebel betrachten, fühlt sich Ihr Gehirn wackelig an. Diese Fähigkeit zu wissen, wie sicher man sich über die eigenen Gedanken ist, nennt man Metakognition. Wissenschaftler haben sich lange gefragt: Wie berechnet das Gehirn dieses „Vertrauen“? Ist es einfach ein separater kleiner Taschenrechner, der im Hintergrund läuft, oder ist das Vertrauen in den chaotischen, unruhigen Schreien der Neuronen selbst verborgen? Diese Frage steht im Zentrum einer neuen Studie, die versucht, die geheime Sprache der Unsicherheit zu entschlüsseln.
Die Forscher Xiaolu Wang, Peter Dayan und Paul Bays beschlossen, die neuronale Menge des Gehirns wie ein mathematisches Rätsel zu behandeln. Sie wollten sehen, ob das „Unruhigsein“ der Neuronen einen verborgenen Code enthält, der dem Gehirn sagt: „Hey, diese Vermutung ist wackelig!“ oder „Diese hier ist solide!“ Um dies zu erreichen, untersuchten sie zwei Hauptwege, um diese verborgene Information zu messen. Ein Weg ist vergleichbar damit, zu prüfen, wie sehr sich die Form des Schreiens der Menge von Moment zu Moment verändert (unter Verwendung von etwas, das man Fisher-Information nennt). Der andere Weg ist vergleichbar mit der Messung, wie viel das Rauschmuster der Menge darüber aussagt, wie falsch die endgültige Vermutung sein könnte (unter Verwendung von gegenseitiger Information bzw. Mutual Information).
Die Hauptentdeckung der Arbeit ist, dass dieses „verborgene Vertrauen“ real ist und daraus resultiert, dass das Rauschen des Gehirns nicht perfekt vorhersagbar ist. Wenn das Gehirn versucht, einen Wert zu erraten (wie die Richtung eines bewegten Objekts), sind die Fehler, die es macht, nicht einfach nur zufällige Schwankungen um die richtige Antwort; sie weisen oft „lange Enden“ (long tails) auf. Stellen Sie sich vor, Sie werfen Dartpfeile auf eine Zielscheibe. Eine normale Vermutung würde bedeuten, dass die meisten Pfeile nahe am Bullseye landen, mit ein paar vereinzelten Streunern. Aber beim Gehirn fliegen die „Streuner“ manchmal wirklich weit weg, was diese langen Enden aus großen Fehlern erzeugt. Die Autoren zeigen, dass diese langen Enden tatsächlich ein Zeichen dafür sind, dass das Gehirn über zusätzliche Informationen über seine eigene Unsicherheit verfügt. Wenn sich das Rauschmuster auf eine bestimmte Weise verändert, erzeugt dies diese langen Enden, und diese Veränderung ist das Signal, das dem Gehirn sagt: „Ich bin mir bei dem nicht sicher!“
Die Arbeit warnt uns jedoch auch davor, uns von den Erscheinungen täuschen zu lassen. Die Forscher fanden heraus, dass zwei verschiedene Arten von neuronalem „Rauschen“ an der Oberfläche exakt gleich aussehen können – sie erzeugen dasselbe Muster von Dartwürfen und dieselben langen Enden – aber tatsächlich sehr unterschiedliche Mengen an verborgenem Vertrauensinformationen tragen. Es ist wie zwei verschiedene Radiosender, die dasselbe Lied spielen; einer könnte in kristallklarem High Definition übertragen, während der andere verrauscht und voller statischem Rauschen ist, selbst wenn die Melodie für Ihre Ohren gleich klingt. Das bedeutet, dass es nicht ausreicht, nur zu beobachten, wie oft Menschen Fehler machen, um zu verstehen, wie das Gehirn weiß, was es weiß. Man muss die spezifische „Textur“ des Rauschens betrachten.
Das Team testete auch, was passiert, wenn das Signal schwächer wird. Sie simulierten zwei Szenarien: eines, bei dem das Signal durch äußere Störungen korrumpiert wird (wie der Versuch, ein Flüstern in einem Sturm zu hören), und ein anderes, bei dem das interne Signal des Gehirns selbst einfach leiser wird (wie ein Radio, dessen Batterien leer gehen). Sie fanden heraus, dass beide die Vermutungen des Gehirns verschlechtern, aber die „verborgene Konfidenz“ unterschiedlich beeinflussen. Das Hinzufügen von äußerem Rauschen zerstört tatsächlich die Fähigkeit des Gehirns, seine eigene Unsicherheit zu kennen, während das bloße Herunterregeln der Lautstärke des internen Signals die Konfidenz auf eine komplexere, nicht-lineare Weise verändert.
Zusammenfassend lässt diese Arbeit darauf schließen, dass die Fähigkeit des Gehirns, zu wissen, was es nicht weiß, direkt in die chaotischen, unruhigen Muster seiner Neuronen eingebaut ist. Es ist kein separater Zaubertrick, sondern eine mathematische Konsequenz der Art und Weise, wie das Gehirn Informationen verarbeitet. Die Autoren zeigen, dass diese „zusätzliche Information“ (ancillary information) eine harte Grenze für das setzt, wie klug unsere Selbstzuversicht sein kann. Wenn wir jemals selbstbewusster sind, als die Mathematik es laut sagt, bedeutet dies, dass wir eine geheime Informationsquelle nutzen, die nicht in der neuronalen Unruhe selbst liegt. Obwohl diese Erkenntnisse auf Computersimulationen und mathematischen Modellen basieren und nicht auf direkten Gehirnscans, liefern sie eine kraftvolle neue Landkarte für das Verständnis, wie wir unseren eigenen Gedanken vertrauen. Es stellt sich heraus, dass die Unsicherheit des Gehirns kein Fehler ist, sondern ein Merkmal, das in der sehr Form seiner Fehler geschrieben steht.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.