Hidden-state inference aligns attention and neural representational geometry during flexible behaviour

Resumen Técnico: La inferencia de estados ocultos alinea la atención y la geometría representacional neuronal durante el comportamiento flexible

Planteamiento del problema
La toma de decisiones flexible en entornos inciertos requiere la capacidad de inferir estados de tarea latentes y priorizar la información que es conductualmente relevante. Si bien los modelos de aprendizaje por refuerzo (RL) se han utilizado tradicionalmente para explicar el comportamiento adaptativo, a menudo tienen dificultades para explicar los cambios rápidos de contexto donde las reglas subyacentes del entorno cambian. El problema central abordado es comprender los mecanismos computacionales y neuronales que permiten a los humanos identificar qué dimensiones de los estímulos son actualmente relevantes, adaptarse a los cambios de contexto y cómo estos procesos cognitivos se reflejan tanto en la asignación de la atención como en la estructura representacional neuronal.

Metodología
El estudio empleó un enfoque multimodal que combina modelado conductual, seguimiento oculomotor y neuroimagen:

• Diseño de la tarea: Los participantes humanos realizaron una tarea de aprendizaje de reversión serial. En este paradigma, los participantes debían identificar qué dimensión(es) del estímulo eran actualmente predictivas de las recompensas, lo que requería que inferieran el estado latente del entorno a medida que este cambiaba.
• Modelado conductual: Los autores compararon un modelo de inferencia de estados ocultos contra múltiples variantes de aprendizaje por refuerzo. El modelo de estado oculto fue evaluado por su capacidad para predecir tanto las elecciones de los participantes como sus contextos inferidos.
• Seguimiento oculomotor: Se registraron los movimientos oculares para proporcionar evidencia convergente de la atención selectiva. Las métricas incluyeron la concentración de la mirada en características relevantes, el seguimiento de las actualizaciones de creencias ensayo a ensayo, y la dinámica de la mirada siguiendo altos errores de predicción.
• Neuroimagen: Se utilizó magnetoencefalografía (MEG) para examinar los correlatos neuronales de la inferencia de estado latente. El análisis se centró en cómo la actividad neuronal codifica el contexto inferido y cómo esta es modulada por errores de predicción recientes.
• Análisis representacional: El estudio empleó el análisis de geometría representacional para investigar la estructura de las representaciones neuronales, buscando específicamente cambios en la distancia entre los patrones neuronales que representan diferentes valores de estímulo.

Resultos clave

• Adaptación conductual: Los participantes se adaptaron rápidamente a los cambios de contexto. El modelo de inferencia de estado oculto proporcionó la mejor explicación para estas adaptaciones, superando significativamente a varias variantes de RL en la predicción tanto de las elecciones como de los contextos inferidos.
• Dinámicas de la atención: Los datos oculomotores confirmaron que la mirada se concentró cada vez más en las características conductualmente relevantes. Este enfoque atencional rastreó las actualizaciones de creencias ensayo a ensayo. Notablemente, tras errores de predicción elevados, los patrones de la mirada se ampliaron transitoriamente, sugiriendo un cambio temporal en el alcance de la atención.
• Codificación neuronal: Las representaciones neuronales codificaron con éxito el contexto actualmente inferido. Estas representaciones fueron moduladas por errores de predicción recientes; específicamente, errores de predicción mayores se asociaron con representaciones de contexto más débiles en el ensayo siguiente.
• Reorganización de la geometría neuronal: El desempeño exitoso se vinculó con una reorganización sistemática de la geometría representacional neuronal. Esta reorganización se caracterizó por la amplificación selectiva de las distancias representacionales para las características relevantes de la tarea y un aumento en la separación de los valores de estímulo conductualmente relevantes.

Contribuciones clave
El artículo proporciona un relato a nivel de sistemas de la toma de decisiones flexible al demostrar que la inferencia de estado latente, la atención y la geometría representacional neuronal están estrechamente coordinadas. Establece que:

1. La inferencia de estado oculto es un marco computacional superior para explicar la rápida adaptación conductual en entornos inciertos en comparación con los modelos estándar de RL.
2. El comportamiento oculomotor sirve como un marcador directo, ensayo a ensayo, de las actualizaciones de creencias y la asignación de la atención durante el cambio de contexto.
3. La geometría representacional neuronal no es estática, sino que se reorganiza dinámicamente para apoyar el comportamiento adaptativo, específicamente mediante la amplificación de la distinción neuronal entre los valores de estímulo relevantes cuando el desempeño es exitoso.

Significancia
Los autores afirman que sus hallazgos elucidan cómo la información conductualmente relevante se prioriza selectivamente y se representa para apoyar el comportamiento adaptativo. Al vincular los modelos computacionales de inferencia de estado latente con firmas oculomotoras específicas y cambios dinámicos en la geometría representacional neuronal, el estudio ofrece un mecanismo integral de cómo el cerebro gestiona la incertidumbre y mantiene la flexibilidad en la toma de decisiones. El trabajo sugiere que el cerebro no solo actualiza las estimaciones de valor, sino que reestructura activamente su espacio representacional interno para alinearlo con el contexto de la tarea inferido.