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

Sintesi Tecnica: Apprendimento Bayesiano Sparso Robusto Basato sulla Minima Entropia dell'Errore per la Decodifica di Attività Cerebrale ad Alta Dimensionalità e Rumorosa

Definizione del Problema
La decodifica dell'attività cerebrale affronta due sfide primarie: il problema "ad alta dimensionalità e basso numero di campioni" e la presenza di rumore complesso, non gaussiano. I metodi tradizionali di apprendimento automatico, come i Minimi Quadrati Ordinari (OLS), soffrono di overfitting in contesti ad alta dimensionalità (ad esempio, voxel fMRI o canali EEG/ECoG) in cui il numero di caratteristiche supera il numero di campioni di addestramento. Sebbene l'Apprendimento Bayesiano Sparso (SBL) offra un quadro per eliminare automaticamente le caratteristiche irrilevanti tramite la Determinazione della Rilevanza Automatica (ARD), lo SBL convenzionale si basa su funzioni di verosimiglianza basate su distribuzioni di dati idealizzate (ad esempio, Gaussiana o Bernoulli). Tali assunzioni spesso non riescono a catturare i complessi miscelamenti di rumore non gaussiano intrinseci nelle registrazioni neurali (ad esempio, artefatti fisiologici, rumore ambientale), portando a un deterioramento delle prestazioni negli scenari reali. I metodi robusti esistenti, come quelli basati sul Criterio della Massima Correntropia (MCC), spesso mancano di un controllo esplicito della sparsità o richiedono una complessa sintonizzazione degli iperparametri, rendendoli meno adatti alla decodifica ad alta dimensionalità.

Metodologia
Gli autori propongono SBL-MEE, un framework di Apprendimento Bayesiano Sparso robusto che integra il criterio di apprendimento della Minima Entropia dell'Errore (MEE) nello scheletro dello SBL. L'innovazione principale risiede nella riformulazione del processo di inferenza bayesiana sotto un paradigma bayesiano generalizzato (noto anche come framework della distribuzione posteriore di Gibbs).

1. Formulazione della Posteriore Generalizzata: Invece di fare affidamento su una funzione di verosimiglianza standard derivata da un'assunzione di densità probabilistica, il metodo utilizza la perdita indotta dalla MEE ($L_{MEE}$) per guidare l'aggiornamento della posteriore. La posteriore generalizzata è definita come:
   $$\tilde{p}(w, a|t) \propto \exp(-L_{MEE}) p(w|a)p(a)$$
   dove $w$ rappresenta i parametri del modello, $a$ rappresenta i parametri di rilevanza (controllo della sparsità), e $p(w|a)p(a)$ sono i priori gaussiani gerarchici. Questa formulazione bilancia la minimizzazione del rischio empirico (tramite MEE) con la regolarizzazione della sparsità (tramite i priori).

2. Gestione di Regressione e Classificazione:

   • Regressione: L'obiettivo MEE viene approssimato utilizzando la MEE Quantizzata (QMEE) per ridurre la complessità computazionale da $O(N^2)$ a $O(MN)$, dove $M$ è la dimensione di un codice di quantizzazione.
   • Classificazione: Per affrontare la natura multimodale degli errori di classificazione (falsi negativi, veri positivi, falsi positivi), gli autori impiegano la MEE Restretta (RMEE). Questa utilizza un codice fisso $\{0, -1, 1\}$ per modellare esplicitamente la distribuzione dell'errore tri-modale, garantendo che l'ottimizzazione punti alla corretta struttura dell'errore.

3. Inferenza Variazionale e Ottimizzazione: Poiché la posteriore generalizzata è intrattabile, gli autori derivano un algoritmo di apprendimento utilizzando l'Inferenza Variazionale con fattorizzazione mean-field. Utilizzano l'approssimazione Laplaciana per approssimare la posteriore non gaussiana dei pesi come una distribuzione gaussiana. L'algoritmo aggiorna iterativamente i parametri del modello ($w$) utilizzando metodi basati sul gradiente (fixed-point per la regressione, half-quadratic per la classificazione) e aggiorna i parametri di rilevanza ($a$) per imporre la sparsità.

Contributi Chiave

1. Framework Novello: La proposta di SBL-MEE, un framework unificato applicabile sia alla regressione che alla classificazione, che utilizza la MEE come obiettivo di ottimizzazione per l'aggiornamento della posteriore all'interno di un contesto bayesiano generalizzato.
2. Derivazione Algoritmica: La derivazione di un algoritmo di apprendimento trattabile utilizzando l'inferenza variazionale e l'approssimazione Laplaciana per stimare i parametri del modello per la posteriore basata su MEE.
3. Valutazione Esaustiva: Valutazione su due compiti reali di decodifica cerebrale:
   • Regressione: Ricostruzione della traiettoria del movimento basata su ECoG (dati di scimmia).
   • Classificazione: Ricostruzione di stimoli visivi basata su fMRI (dati umani).
4. Analisi dell'Interpretabilità: Dimostrazione che il metodo proposto produce pattern di decodifica che non sono solo statisticamente superiori, ma anche più fisiologicamente plausibili rispetto ai metodi esistenti.

Risultati Sperimentali
L'algoritmo SBL-MEE è stato confrontato con lo SBL convenzionale (verosimiglianze Gaussiane/Bernoulli), lo stato dell'arte SBCL (basato su MCC), la regressione Ridge e Lasso.

• Prestazioni: Sia nei compiti di regressione (ECoG) che di classificazione (fMRI), SBL-MEE ha raggiunto prestazioni di decodifica superiori, evidenziate da coefficienti di correlazione più elevati e RMSE (Root Mean Squared Errors) più bassi rispetto a tutti i baseline. Questa superiorità è stata mantenuta anche in condizioni critiche con dimensioni di dati di addestramento significativamente ridotte (scenari ad alta dimensionalità e basso numero di campioni).
• Interpretabilità Fisiologica:
  • ECoG (Motoria): SBL-MEE ha identificato pesi spaziali concentrati nelle aree corticali rilevanti per il movimento (ad esempio, solchi Arcuato e Principale), pesi temporali focalizzati sui ritardi vicino all'inizio del movimento e pesi di frequenza dominati dalle bande high-gamma. Questi pattern si allineano strettamente con i principi neuroscientifici noti del controllo motorio, mentre altri metodi hanno prodotto pattern diffusi o meno specifici.
  • fMRI (Visiva): SBL-MEE ha prodotto mappe retinotopiche con forti strutture diagonali (corrispondenza di eccentricità) e distribuzioni di pesi che favoriscono la corteccia visiva primaria (V1) e i campi visivi centrali. Ciò ha dimostrato una maggiore plausibilità fisiologica rispetto ai pattern uniformi o eccessivamente diffusi di Ridge, Lasso e lo SBL standard.

Significatività
Il documento sostiene che SBL-MEE fornisca uno strumento potente per migliorare la decodifica dell'attività cerebrale, in particolare in contesti rumorosi e ad alta dimensionalità tipici della ricerca nelle Interfacce Cervello-Computer (BCI) e nelle neuroscienze. Decoupling (disaccoppiando) il controllo della sparsità (gestito dal prior bayesiano) dalla robustezza al rumore (gestita dal criterio MEE), il metodo evita la necessità di una sintonizzazione manuale della sparsità, gestendo efficacementamente il rumore non gaussiano. Gli autori sottolineano che, sebbene la Minima Entropia dell'Errore non sia costruita da una distribuzione di probabilità arbitraria, è altamente efficace per stabilire un'inferenza robusta al rumore all'interno del metodo di apprendimento bayesiano sparso, promuovendo così le applicazioni di ingegneria biomedica.