On the Identifiability of User Adaptation in Co-Adaptive Neural Interfaces

Sintesi Tecnica: Sull'identificabilità dell'adattamento dell'utente nelle interfacce neurali co-adattive

Problema
Questo articolo affronta una lacuna teorica critica nell'analisi delle interfacce neurali co-adattive, costruendo specificamente sul quadro sperimentale e teorico recentemente proposto da Madduri et al. [2]. Nei sistemi co-adattivi, un utente umano e un decoder macchina si adattano congiuntamente all'interno di un ciclo chiuso. Sebbene Madduri et al. abbiano dimostrato che i tassi di apprendimento del decoder e la regolarizzazione influenzano sia le prestazioni del sistema che il comportamento osservato dell'utente, questo articolo sostiene che l'attuale disegno sperimentale soffra di un fondamentale problema di identificabilità.

Il problema centrale è se la sequenza di "encoder" stimati (modelli dell'utente derivati tramite regressione lineare) identifichi univocamente il meccanismo latente di adattamento dell'utente. Gli autori postulano che, sebbene l'attuale metodologia riesca a recuperare la dinamica congiunta del ciclo chiuso, essa non riesce a isolare univocamente la politica di adattamento lato utente dagli effetti dell'evoluzione del decoder e delle distribuzioni di stato.

Metodologia e Quadro Teorico
L'articolo formalizza il sistema co-adattivo utilizzando una struttura empirica compatta:

• Dinamica del Sistema: Sia $x_t$ rappresentante le variabili di compito (ad esempio, stato del target e del cursore), $u_t$ l'output motorio dell'utente (EMG), e $y_t$ l'output controllato. Il decoder $D_t$ mappa l'output motorio nel movimento ($y_t = D_t u_t$). L'utente implementa una politica di controllo ignota $U_t$, definita astrattamente come $u_t = U_t(x_t, \xi_t)$, dove $\xi_t$ rappresenta il rumore interno o gli stati latenti.
• Procedura di Stima: Il metodo empirico stima un "encoder" $\hat{E}_t$ su una finestra finita $W_t$ tramite regressione lineare: $\hat{E}_t = \arg \min_E \sum_{s \in W_t} \|u_s - E x_s\|^2$. Il decoder $D_t$ rimane fisso all'interno di una finestra, ma si aggiorna tra le finestre.
• Analisi di Identificabilità: Gli autori definiscono una mappatura $M$ che prende la sequenza della politica latente $\{U_t\}$, la traiettoria del decoder $\{D_t\}$ e lo schema di finestratura per produrre la sequenza degli encoder stimati $\{\hat{E}_t\}$. La domanda centrale è se $M$ sia iniettiva rispetto a $\{U_t\}$.

Risultati Chiave: Teorema di Non-Identificabilità
L'articolo presenta il Teorema 1, che stabilisce la non-identificabilità dell'adattamento dell'utente sotto regressione a ciclo chiuso. Il teorema afferma che in un contesto generale a ciclo chiuso in cui il decoder è variabile nel tempo e la dinamica di stato dipende dal decoder, la mappatura dalle politiche dell'utente agli encoder stimati non è iniettiva.

La dimostrazione procede per costruzione, dimostrando due sistemi osservativamente equivalenti:

1. Sistema A (Utente Fisso): Un utente con una politica invariante nel tempo $u_t = E^* x_t$. A causa del decoder variabile nel tempo $D_t$, la distribuzione degli stati di compito $x_t$ evolve.
2. Sistema B (Utente Variabile nel Tempo): Un utente con una politica variabile nel tempo e perturbata $u_t = (E^* + \Delta_t) x_t$.

Gli autori mostrano che può essere costruita una sequenza di perturbazioni $\{\Delta_t\}$ tale che i momenti empirici congiunti all'interno di ogni finestra soddisfino condizioni specifiche (Equazione 6). Sotto tali condizioni, l'estimatore di regressione produce la medesima sequenza $\hat{E}_t = E^*$ per entrambi i sistemi. Di conseguenza, sequenze distinte di politiche dell'utente (una fissa, l'altra variabile) generano sequenze identiche di stime dell'encoder. Ciò prova che i cambiamenti in $\hat{E}_t$ non possono essere attribuiti unicamente ai cambiamenti nella politica interna dell'utente senza ipotesi aggiuntive o condizioni di eccitazione.

Discussione e Interpretazione
L'articolo chiarisce che i risultati sperimentali di Madduri et al. [2] dimostrano correttamente che le manipolazioni della traiettoria del decoder influenzano il comportamento congiunto del sistema e la sequenza degli encoder stimati. Tuttavia, a causa del risultato di non-identificabilità, queste osservazioni non determinano univocamente l'obiettivo interno, le dinamiche di apprendimento o le funzioni di costo dell'utente.

Molteplici modelli di utente distinti — inclusi modelli a politica fissa che reagiscono a distribuzioni di stato variabili, regole di adattamento ritardate o strutture di regolarizzazione alternative — possono riprodurre le stesse firme empiriche osservate in $\hat{E}_t$. Pertanto, il framework identifica le proprietà del sistema congiunto a ciclo chiuso, ma non identifica univocamente le dinamiche di adattamento dell'utente sottostanti. Le affermazioni riguardanti la previsione o la modellazione del comportamento umano devono essere interpretate al livello del sistema congiunto piuttosto che dell'utente in isolamento.

Significatività e Proposte di Estensione
Gli autori sottolineano che questa limitazione non è intrinseca al framework co-adattivo in sé, ma è una conseguenza dell'attuale disegno sperimentale. L'articolo suggerisce che identificare l'adattamento dell'utente richiede una struttura aggiuntiva per rompere la simmetria tra i cambiamenti della politica dell'utente e i cambiamenti della distribuzione di stato.

Gli approcci proposti per ottenere l'identificabilità includono:

• Perturbazioni Esogene: Introdurre rumore indipendente (ad esempio, input di sonda randomizzati $\tilde{D}_t = D_t + \delta_t$) per generare un'eccitazione persistente indipendente dalle dinamiche a ciclo chiuso, separando così la risposta dell'utente dagli effetti della distribuzione di stato.
• Formulazioni di Stato Latente: Adottare un modello a spazio di stato (ad esempio, $z_{t+1} = f(z_t, x_t, D_t)$) con vincoli sulle funzioni dinamiche, permettendo l'identificazione sotto standard condizioni di osservabilità.
• Esperimenti a Orizzonte Temporale Più Lungo: Condurre esperimenti senza frequenti reinizializzazioni del decoder per consentire la separazione tra componenti di adattamento transitorie e persistenti.

In conclusione, l'articolo funge da necessaria chiarificazione per l'interpretazione degli studi sulle interfacce neurali co-adattive, esortando a un passaggio dall'attribuzione delle variazioni dell'encoder esclusivamente all'apprendimento dell'utente verso un'identificazione più rigorosa delle dinamiche del sistema congiunto.