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

Sintesi Tecnica: L'inferenza dello stato latente allinea l'attenzione e la geometria rappresentazionale neurale durante il comportamento flessibile

Problematica
Il processo decisionale flessibile in ambienti incerti richiede la capacità di inferire gli stati latenti del compito e di dare priorità alle informazioni che sono comportamentalmente rilevanti. Sebbene i modelli di apprendimento per rinforzo (RL) siano stati tradizionalmente utilizzati per spiegare il comportamento adattivo, essi spesso faticano a spiegare i rapidi cambiamenti di contesto in cui le regole sottostanti dell'ambiente cambiano. Il problema centrale affrontato è la comprensione dei meccanismi computazionali e neurali che permettono agli esseri umani di identificare quali dimensioni degli stimoli siano attualmente rilevanti, di adattarsi ai cambi di contesto e di come questi processi cognitivi si riflettano sia nell'allocazione dell'attenzione che nella struttura rappresentazionale neurale.

Metodologia
Lo studio ha impiegato un approccio multimodale combinando modellazione comportamentale, tracciamento oculomotorio e neuroimaging:

• Design del Task: I partecipanti umani hanno eseguito un compito di apprendimento per inversione seriale. In questo paradigma, i partecipanti dovevano identificare quale dimensione dello stimolo (o quali) fosse attualmente predittiva delle ricompense, richiedendo loro di inferire lo stato latente dell'ambiente al variare di esso.
• Modellazione Comportamentale: Gli autori hanno confrontato un modello di inferenza dello stato latente con diverse varianti di apprendimento per rinforzo. Il modello a stato latente è stato valutato in base alla sua capacità di prevedere sia le scelte dei partecipanti che i loro contesti inferiti.
• Tracciamento Oculomotorio: I movimenti oculari sono stati registrati per fornire prove convergenti di attenzione selettiva. Sono stati inclusi parametri come la concentrazione dello sguardo sulle caratteristiche rilevanti, il tracciamento degli aggiornamenti delle credenze trial-per-trial e la dinamica del seguire lo sguardo in risposta ad alti errori di predizione.
• Neuroimaging: La magnetoencefalografia (MEG) è stata utilizzata per esaminare i correlati neurali dell'inferenza dello stato latente. L'analisi si è concentrata su come l'attività neurale codifica il contesto inferito e su come questa sia modulata dai recenti errori di predizione.
• Analisi Rappresentazionale: Lo studio ha impiegato l'analisi della geometria rappresentazionale per investigare la struttura delle rappresentazioni neurali, guardando specificamente ai cambiamenti nella distanza tra i pattern neurali che rappresentano diversi valori dello stimolo.

Risultati Chiave

• Adattamento Comportamentale: I partecipanti si sono adattati rapidamente ai cambi di contesto. Il modello di inferenza dello stato latente ha fornito la migliore spiegazione per questi adattamenti, superando significativamente varie varianti di RL nella previsione sia delle scelte che dei contesti inferiti.
• Dinamiche Attentive: I dati oculomotori hanno confermato che lo sguardo è diventato sempre più concentrato sulle caratteristiche comportamentalmente rilevanti. Questa focalizzazione attentiva ha tracciato gli aggiornamenti delle credenze trial-per-trial. Notevolmente, in seguito ad alti errori di predizione, i pattern di sguardo si sono transitoriamente ampliati, suggerendo uno spostamento temporaneo dell'ampiezza dell'attenzione.
• Codifica Neurale: Le rappresentazioni neurali hanno codificato con successo il contesto attualmente inferito. Queste rappresentazioni sono state modulate dai recenti errori di predizione; nello specifico, errori di predizione più grandi sono stati associati a rappresentazioni del contesto più deboli nel trial successivo.
• Riorganizzazione della Geometria Neurale: Il successo nelle prestazioni è stato collegato a una sistematica riorganizzazione della geometria rappresentazionale neurale. Questa riorganizzazione è stata caratterizzata dall'amplificazione selettiva delle distanze rappresentazionali per le caratteristiche rilevanti al compito e da una maggiore separazione dei valori dello stimolo comportamentalmente rilevanti.

Contributi Chiave
L'articolo fornisce un resoconto a livello di sistema del processo decisionale flessibile, dimostrando che l'inferenza dello stato latente, l'attenzione e la geometria rappresentazionale neurale sono strettamente coordinati. Stabilisce che:

1. L'inferenza dello stato latente è un framework computazionale superiore per spiegare l'adattamento comportamentale rapido in ambienti incerti rispetto ai modelli standard di RL.
2. Il comportamento oculomotorio funge da marker diretto, trial-per-trial, degli aggiornamenti delle credenze e dell'allocazione dell'attenzione durante il cambio di contesto.
3. La geometria rappresentazionale neurale non è statica ma si riorganizza dinamicamente per supportare il comportamento adattivo, specificamente amplificando la distinzione neurale tra i valori dello stimolo rilevanti quando le prestazioni sono di successo.

Significatività
Gli autori affermano che i loro risultati elucidano come le informazioni comportamentalmente rilevanti vengano prioritarizzate selettivamente e rappresentate per supportare il comportamento adattivo. Collegando i modelli computazionali di inferenza dello stato latente con specifici segni oculomotori e cambiamenti dinamici nella geometria rappresentazionale neurale, lo studio offre un meccanismo esaustivo di come il cervello gestisce l'incertezza e mantiene la flessibilità nel processo decisionale. Il lavoro suggerisce che il cervello non si limita ad aggiornare le stime di valore, ma ristruttura attivamente il proprio spazio rappresentazionale interno per allinearsi con il contesto del compito inferito.