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

Résumé technique : L'inférence de l'état caché aligne l'attention et la géométrie représentationnelle neuronale lors de comportements flexibles

Énoncé du problème
La prise de décision flexible dans des environnements incertains nécessite la capacité d'inférer les états latents des tâches et de prioriser les informations qui sont comportementalement pertinentes. Bien que les modèles d'apprentissage par renforcement (RL) aient traditionnellement été utilisés pour expliquer le comportement adaptatif, ils peinent souvent à rendre compte des changements de contexte rapides où les règles sous-jacentes de l'environnement changent. Le problème central abordé est de comprendre les mécanismes computationnels et neuronaux qui permettent aux humains d'identifier quelles dimensions de stimulus sont actuellement pertinentes, de s'adapter aux changements de contexte, et comment ces processus cognitifs se reflètent à la fois dans l'allocation de l'attention et dans la structure représentationnelle neuronale.

Méthodologie
L'étude a employé une approche multimodale combinant la modélisation comportementale, le suivi oculomoteur et la neuroimagerie :

• Conception de la tâche : Des participants humains ont effectué une tâche d'apprentissage par inversion sérielle. Dans ce paradigme, les participants devaient identifier quelle dimension (ou quelles dimensions) du stimulus était actuellement prédictive des récompenses, ce qui les obligeait à inférer l'état latent de l'environnement lors de ses changements.
• Modélisation comportementale : Les auteurs ont comparé un modèle d'inférence d'état caché à plusieurs variantes d'apprentissage par renforcement. Le modèle d'état caché a été évalué sur sa capacité à prédire à la fois les choix des participants et leurs contextes inférés.
• Suivi oculomoteur : Les mouvements oculaires ont été enregistrés pour fournir des preuves convergentes de l'attention sélective. Les métriques comprenaient la concentration du regard sur les caractéristiques pertinentes, le suivi des mises à jour des croyances essai par essai, et la dynamique du suivi du regard suite à des erreurs de prédiction élevées.
• Neuroimagerie : La magnétoencéphalographie (MEG) a été utilisée pour examiner les corrélats neuraux de l'inférence d'état latent. L'analyse s'est concentrée sur la manière dont l'activité neuronale code le contexte inféré et comment elle est modulée par les erreurs de prédiction récentes.
• Analyse représentationnelle : L'étude a employé une analyse de la géométrie représentationnelle pour étudier la structure des représentations neuronales, en examinant spécifiquement les changements de distance entre les motifs neuronaux représentant différentes valeurs de stimulus.

Résultats clés

• Adaptation comportementale : Les participants se sont rapidement adaptés aux changements de contexte. Le modèle d'inférence d'état caché a fourni la meilleure explication de ces adaptations, surpassant de manière significative diverses variantes de RL pour prédire à la fois les choix et les contextes inférés.
• Dynamique de l'attention : Les données oculomotrices ont confirmé que le regard devenait de plus en plus concentré sur les caractéristiques comportementalement pertinentes. Cette focalisation attentionnelle suivait les mises à jour des croyances essai par essai. Notamment, suite à des erreurs de prédiction élevées, les modèles de regard se sont transitoirement élargis, suggérant un élargissement temporaire du champ attentionnel.
• Codage neural : Les représentations neurales ont codé avec succès le contexte actuellement inféré. Ces représentations étaient modulées par les erreurs de prédiction récentes ; spécifiquement, des erreurs de prédiction plus importantes étaient associées à des représentations de contexte plus faibles lors de l'essai suivant.
• Réorganisation de la géométrie neurale : La performance réussie était liée à une réorganisation systématique de la géométrie représentationnelle neurale. Cette réorganisation était caractérisée par l'amplification sélective des distances représentationnelles pour les caractéristiques pertinentes à la tâche et une séparation accrue des valeurs de stimulus comportementalement pertinentes.

Contributions clés
L'article fournit un compte rendu systémique de la prise de décision flexible en démontrant que l'inférence d'état latent, l'attention et la géométrie représentationnelle neurale sont étroitement coordonnées. Il établit que :

1. L'inférence d'état caché est un cadre computationnel supérieur pour expliquer l'adaptation comportementale rapide dans des environnements incertains par rapport aux modèles de RL standards.
2. Le comportement oculomoteur sert de marqueur direct, essai par essai, des mises à jour des croyances et de l'allocation de l'attention lors des changements de contexte.
3. La géométrie représentationnelle neurale n'est pas statique mais se réorganise dynamiquement pour soutenir le comportement adaptatif, spécifiquement en amplifiant la distinction neurale entre les valeurs de stimulus pertinentes lorsque la performance est réussie.

Signification
Les auteurs affirment que leurs découvertes élucident la manière dont les informations comportementalement pertinentes sont sélectivement prioritisées et représentées pour soutenir un comportement adaptatif. En liant les modèles computationnels d'inférence d'état latent à des signatures oculomotrices spécifiques et à des changements dynamiques de la géométrie représentationnelle neurale, l'étude offre un mécanisme complet de la gestion de l'incertitude et du maintien de la flexibilité dans la prise de décision par le cerveau. Le travail suggère que le cerveau ne se contente pas de mettre à jour les estimations de valeur, mais restructure activement son espace de représentation interne pour l'aligner avec le contexte de la tâche inféré.