Robust Sparse Bayesian Learning Based on Minimum Error Entropy for Noisy High-Dimensional Brain Activity Decoding

Résumé Technique : Apprentissage Bayésien Creux Robuste Basé sur l'Entropie d'Erreur Minimale pour le Décodage de l'Activité Cérébrale de Haute Dimension avec Bruit

Énoncé du Problème
Le décodage de l'activité cérébrale est confronté à deux défis principaux : le problème « haute dimension, faible échantillonnage » et la présence d'un bruit complexe non gaussien. Les méthodes d'apprentissage automatique traditionnelles, telles que les Moindres Carrés Ordinaires (OLS), souffrent de surapprentissage dans les contextions de haute dimension (par exemple, les voxels de l'IRMf ou les canaux EEG/ECoG) où le nombre de caractéristiques dépasse le nombre d'échantillons d'entraînement. Bien que l'Apprentissage Bayésien Creux (SBL) offre un cadre pour éliminer automatiquement les caractures non pertinentes via la Détermination de la Pertinence Automatique (ARD), le SBL conventionnel repose sur des fonctions de vraisemblance basées sur des distributions de données idéalisées (par exemple, gaussiennes ou bernoulliennes). Ces hypothèses échouent souvent à capturer les mélanges de bruits non gaussiens complexes (par exemple, les artefacts physiologiques, le bruit environnemental) inhérents aux enregistrements neuronaux, ce qui entraîne une détérioration des performances dans les scénarios réels. Les méthodes robustes existantes, telles que celles basées sur le Critère de Correntropie Maximale (MCC), manquent souvent d'un contrôle explicite de la parcimonie ou nécessitent un réglage complexe d'hyperparamètres, ce qui les rend moins adaptées au décodage de haute dimension.

Méthodologie
Les auteurs proposent le SBL-MEE, un cadre d'Apprentissage Bayésien Creux robuste qui intègre le critère d'apprentissage de l'Entropie d'Erreur Minimale (MEE) dans le squelette du SBL. L'innovation centrale réside dans la reformulation du processus d'inférence bayésienne sous un paradigme bayésien généralisé (également appelé cadre de la distribution de Gibbs).

1. Formulation de la Postérior Généralisée : Au lieu de s'appuyer sur une fonction de vraisemblance standard dérivée d'une hypothèse de densité de probabilité, la méthode utilise la perte induite par la MEE ($L_{MEE}$) pour piloter la mise à jour de la distribution a posteriori. La postérior généralisée est définie par :
   $$\tilde{p}(w, a|t) \propto \exp(-L_{MEE}) p(w|a)p(a)$$
   où $w$ représente les paramètres du modèle, $a$ représente les paramètres de pertinence (contrôle de la parcimonie), et $p(w|a)p(a)$ sont les priors gaussiens hiérarchiques. Cette formulation équilibre la minimisation du risque empirique (via la MEE) avec la régularisation de la parcimonie (via les priors).

2. Gestion de la Régression et de la Classification :

   • Régression : L'objectif MEE est approximé en utilisant la MEE Quantifiée (QMEE) pour réduire la complexité computationnelle de $O(N^2)$ à $O(MN)$, où$M$ est la taille d'un codebook de quantification.
   • Classification : Pour traiter la nature multimodale des erreurs de classification (faux négatifs, vrais positifs, faux positifs), les auteurs emploient la MEE Restreinte (RMEE). Celle-ci utilise un codebook fixe $\{0, -1, 1\}$ pour modéliser explicitement la distribution d'erreur trimodale, garantissant que l'optimisation cible la bonne structure d'erreur.

3. Inférence Variationnelle et Optimisation : Puisque la postérior généralisée est intraitable, les auteurs dérivent un algorithme d'apprentissage utilisant l'Inférence Variationnelle avec factorisation de champ moyen. Ils emploient l'approximation de Laplace pour approximer la postérior non gaussienne des poids comme étant une distribution gaussienne. L'algorithme met à jour itérativement les paramètres du modèle ($w$) en utilisant des méthodes basées sur le gradient (point fixe pour la régression, quasi-quadratique pour la classification) et met à jour les paramètres de pertinence ($a$) pour imposer la parcimonie.

Principales Contributions

1. Cadre Novateur : La proposition du SBL-MEE, un cadre unifié applicable à la fois à la régression et à la classification, qui utilise la MEE comme cible d'optimisation pour la mise à jour de la postérior dans un cadre bayésien généralisé.
2. Dérivation Algorithmique : La dérivation d'un algorithme d'apprentissage traitable utilisant l'inférence variationnelle et l'approximation de Laplace pour estimer les paramètres du modèle pour la postérior basée sur la MEE.
3. Évaluation Complète : Évaluation sur deux tâches de décodage cérébral réelles :
   • Régression : Reconstruction de trajectoire de mouvement basée sur l'ECoG (données de singe).
   • Classification : Reconstruction de stimulus visuel basé sur l'IRMf (données humaines).
4. Analyse d'Interprétabilité : Démonstration que la méthode proposée produit des motifs de décodeurs qui sont non seulement statistiquement supérieurs mais aussi plus plausibles sur le plan physiologique par rapport aux méthodes existantes.

Résultats Expérimentaux
L'algorithme SBL-MEE a été comparé au SBL conventionnel (vraisemblances gaussiennes/bernoulliennes), au SBCL de pointe (basé sur la MCC), à la régression Ridge et au Lasso.

• Performance : Dans les tâches de régression (ECoG) et de classification (IRMf), le SBL-MEE a obtenu des performances de décodage supérieures, prouvées par des coefficients de corrélation plus élevés et des erreurs quadratiques moyennes (RMSE) plus faibles par rapport à toutes les lignes de base. Cette supériorité s'est maintenue même dans des conditions difficiles avec des tailles de données d'entraînement considérablement réduites (scénarios de haute dimension, faible échantillonnage).
• Interprétabilité Physiologique :
  • ECoG (Moteur) : Le SBL-MEE a identifié des poids spatiaux concentrés dans les zones corticales pertinentes pour le mouvement (ex. : sillons arcuate et principal), des poids temporels focalisés sur les délais proches de l'amorce du mouvement, et des poids de fréquence dominés par les bandes gamma hautes. Ces motifs concordent étroitement avec les principes neuroscientifiques connus du contrôle moteur, tandis que les autres méthodes produisaient des motifs diffus ou moins spécifiques.
  • IRMf (Visuel) : Le SBL-MEE a produit des cartes rétinotopiques avec des structures diagonales fortes (correspondance d'excentricité) et des distributions de poids favorisant le cortex visuel primaire (V1) et les champs visuels centraux. Cela a démontré un degré de plausibilité physiologique plus élevé par rapport aux motifs uniformes ou excessivement étalés de Ridge, Lasso et du SBL standard.

Signification
L'article affirme que le SBL-MEE constitue un outil puissant pour améliorer le décodage de l'activité cérébrale, particulièrement dans les contextes de haute dimension et bruités typiques de la recherche en interface cerveau-machine (BCI) et en neurosciences. En découplant le contrôle de la parcimonie (géré par le prior bayésien) de la robustesse au bruit (gérée par le critère MEE), la méthode évite le besoin de réglage manuel de la parcimonie tout en gérant efficacement le bruit non gaussien. Les auteurs soulignent que, bien que la MEE ne soit pas construite à partir d'une distribution de probabilité arbitraire, elle est hautement efficace pour établir une inférence robuste au bruit au sein de la méthode d'apprentissage bayésien creux, favorisant ainsi les applications en génie biomédical.