Quantifying the information about uncertainty in neural population codes

Planteamiento del problema

Las poblaciones neuronales codifican variables sensoriales y motoras con un ruido inherente, lo que genera incertidumbre en las representaciones internas. Aunque los estudios conductuales confirman que los humanos y los animales utilizan esta incertidumbre para guiar sus decisiones (metacognición), el mecanismo por el cual las poblaciones neuronales representan la incertidumbre sigue sin estar claro. Específicamente, no se comprende del todo cómo la misma actividad neuronal utilizada para decodificar una variable (por ejemplo, la orientación) también transmite información sobre la fiabilidad de esa estimación. Los modelos previos, como el modelo de Precisión Variable (VP), han vinculado errores de estimación de cola larga a fluctuaciones en la precisión, pero no han identificado formalmente la fuente neural de esta información. Además, enfoques geométricos recientes atribuyen los errores no gaussianos a la curvatura del manifold, pero no han abordado directamente el contenido de información respecto a la incertidumbre. El problema central es cuantificar la "información ancilar" —la información sobre la fiabilidad de la estimación contenida en la actividad neuronal más allá de la estimación puntual en sí— y establecer su relación con la no-gaussianidad (específicamente, las colas pesadas) de los errores de estimación.

Metodología

Los autores desarrollan un marco general basado en un modelo de codificación-decodificación donde una población de $M$ neuronas codifica un estímulo $\theta$ con simetría traslacional. Tratan el Estimador de Máxima Verosimilitud (MLE, por sus siglas en inglés), $\hat{\theta}_r$, como el estimador puntual derivado de la actividad neuronal $r$.

1. Marco Teórico:

   • Los autores descomponen la observación $r$ en el MLE $\hat{\theta}_r$ y un estadístico ancilar $a_r$. El estadístico ancilar es probabilísticamente independiente del parámetro real $\theta$, pero contiene información sobre la precisión del MLE.
   • Definen la distribución marginal del error de estimación $\epsilon$ como una mezcla de funciones de verosimilitud normalizadas, reflejadas y recentradas, donde la forma de los componentes de la mezcla está determinada por el estadístico ancilar.

2. Medidas de Cuantificación:
   El artículo introduce dos medidas complementarias para cuantificar la información ancilar:

   • Información Mutua ($MI_e$): Una medida basada en la entropía definida como la información mutua entre el error de estimación $\epsilon$ y el estadístico ancilar $a_r$ (o la respuesta de la población completa $r$). Se calcula como $MI_e = H(\epsilon) - H(\epsilon|a_r)$. Esto representa la reducción de la incertidumbre sobre el error dada la respuesta neuronal.
   • Pérdida de Información de Fisher ($I_{loss}$): Una medida basada en la diferencia entre la Información de Fisher (FI) Esperada contenida en la observación completa $r$ y la FI Esperada contenida únicamente en el $\hat{\theta}_r$ ($I_{loss} = I - I_{\hat{\theta}}$). Esto se interpreta geométricamente como una "divergencia de Jensen-Fisher" relacionada con la curvatura del manifold estadístico.

3. Modelos y Simulaciones:

   • Los autores aplican estas medidas a modelos específicos de poblaciones neuronales: ruido de Poisson, ruido Gaussiano (con transformación de estabilización de la varianza) y ruido de Poisson modulado (que incorpora fluctuaciones de ganancia compartidas).
   • Analizan los efectos del ruido externo (ruido aditivo que corrompe el estímulo antes de la codificación) frente al debilitamiento de la fuerza de la señal interna (reducción de la ganancia poblacional).
   • Las simulaciones utilizan una población de $M=200$ neuronas con funciones de ajuste de tipo von Mises.

Contribuciones Clave y Resultados

1. Relación entre la Información Ancilar y la No-Gaussianidad
Los autores demuestran que las desviaciones de la gaussianidad en los errores de estimación, particularmente las colas largas observadas frecuentemente en datos conductuales, son una consecuencia directa de la presencia de información ancilar.

• Cuando el estadístico ancilar varía (indicando una fiabilidad variable entre ensayos), la distribución marginal del error se convierte en una mezcla de escala de verosimilitudes.
• En un modelo sintético con verosimilitudes gaussianas donde la FI Observada sigue una distribución Gamma, la distribución marginal del error converge a una distribución $t$ de Student. La "pesadez" de las colas está determinada directamente por la variabilidad de la FI Observada (cuantificada por $I_{loss}$).

2. Distinción entre Modelos de Ruido
El artículo revela que diferentes modelos de ruido pueden producir patrones de error de estimación (distribuciones marginales) casi idénticos, mientras proporcionan cantidades de información ancilar notablemente distintas.

• Poisson vs. Gaussiano: Aproximar el ruido de Poisson con ruido gaussiano (mediante una transformación de estabilización de la varianza) preserva la FI Esperada y la forma general de las distribaciones de error. Sin embargo, la aproximación gaussiana subestima sistemáticamente la información ancilar ($I_{loss}$ y $MI_e$). Esto sugiere que los modelos gaussianos pueden fallar al capturar la totalidad de la información sobre la incertidumbre disponible en los trenes de impulsos biológicos.
• Modulación de Ganancia: Introducir fluctuaciones de ganancia compartidas (sobredispersión) en un modelo de Poisson aumenta la información ancilar ($I_{loss}$ y $MI_e$) de forma monótona, aun cuando la FI Esperada y los patrones generales de error permanecen mayormente inalterados. Esto destaca que las correlaciones interneuronales inducidas por la modulación de ganancia portan una información significativa sobre la incertidumbre.

3. Disociación entre $I_{loss}$ y $MI_e$
Las dos medidas de información ancilar, aunque están correlacionadas, exhiben comportamientos distintos:

• $I_{loss}$ (basada en Fisher) aumenta monótonamente con la concentración de sintonización ($\kappa$) y la modulación de ganancia.
• $MI_e$ (basada en la entropía) exhibe una relación en forma de U invertida con $I_{loss}$ cuando la FI Esperada se mantiene constante. $MI_e$ tiende a cero cuando $I_{loss}$ es muy baja (las verosimilitudes son idénticas) y cuando $I_{loss}$ es muy alta (las verosimilitudes son extremadamente divergentes, dominadas por observaciones de baja certeza).
• Esta disociación permite que $MI_e$ diferencie entre modelos (por ejemplo, Gaussiano vs. Poisson Modulado) que son indistinguibles basándose únicamente en la Información de Fisher.

4. Ruido Externo vs. Debilitamiento de la Señal
Los autores muestran que el ruido externo (que corrompe el estímulo) y el debilitamiento de la señal interna (reducción de la ganancia) tienen efectos diferentes en la información ancilar:

• Ambos aumentan la variabilidad del error de estimación.
• Sin embargo, el ruido externo reduce significativamente la información ancilar ($I_{loss}$ y $MI_e$) porque añade incertidumbre sin proporcionar una señal sobre dicha incertidumbre.
• El debilitamiento de la fuerza de la señal (en el modelo de Poisson) no reduce la pérdida de información asintótica ($I_{loss}^\infty$) y puede, de hecho, aumentar la $MI_e$ en ciertos regímenes (patrón de U invertida). Esto sugiere que la reducción del rendimiento debido al ruido externo es fundamentalmente distinta de la reducción del rendimiento debido a una baja fuerza de señal en lo que respecta a la capacidad del cerebro para evaluar su propia incertidumbre.

5. Límite Superior de la Sensibilidad Metacognitiva
El artículo establece que $MI_e$ cuantifica un límite superior teórico para la sensibilidad metacognitiva (la precisión con la que la confianza subjetiva rastrea el rendimiento) alcanzable a partir de un código de población neuronal específico.

• Si la sensibilidad metacognitiva conductual ($MI(\epsilon; c)$) es menor que $MI_e$, esto implica un acceso imperfecto a la señal de incertidumbre (por ejemplo, debido al "ruido metacognitivo" o a una inferencia subóptima).
• Si la sensibilidad conductual excede a $MI_e$, esto implica el acceso a una fuente de información distinta sobre la incertidumbre (por ejemplo, procesamiento post-decisional).

Significado

Los autores afirman que este trabajo proporciona una base teórica coherente para investigar la base de la metacognición en la actividad de las poblaciones neuronales. Al formalizar la relación entre la información ancilar, las distribuciones de error no gaussianas y la curvatura de la información de Fisher, el marco:

1. Unifica los modelos descriptivos de colas largas (como el modelo VP) con modelos de codificación poblacional mecanísticos.
2. Esclarece que patrones de error conductuales similares pueden surgir de estructuras de ruido neuronal distintas con contenidos de información de incertidumbre diferentes, instando a la cautela en la selección de modelos basada únicamente en las distribuciones de error.
3. Cuantifica los límites de la metacognición derivados de las representaciones sensoriales, ofreciendo una métrica para probar si el cerebro accede a la incertidumbre directamente desde la misma población neuronal utilizada para la estimación o si depende de mecanismos separados.

El artículo concluye que evaluar la información ancilar es crucial para distinguir entre modelos competitivos de codificación sensorial y para comprender cómo el cerebro representa y utiliza la incertidumbre.