Face-selective responses correlate with deep networks that learn from environment feedback

Questo studio dimostra che un modello di apprendimento per rinforzo, che simula le interazioni umane con feedback ambientale, è in grado di spiegare le risposte neurali alla percezione dei volti con una precisione paragonabile a quella dei modelli supervisionati e non supervisionati, utilizzando dati di elettroencefalografia intracorticale.

L'essenziale

Il Cervello e l'Intelligenza Artificiale: Una Storia di Apprendimento

Immagina che il tuo cervello sia come un giovane detective che sta imparando a riconoscere le persone. Per anni, gli scienziati hanno pensato che questo detective imparasse guardando foto e confrontandole con un "libro delle risposte" (le etichette corrette). Ma nella vita reale, non abbiamo un libro delle risposte! Non abbiamo un manuale che ci dice chi è ogni persona che incontriamo.

Questo studio si chiede: come impara davvero il nostro cervello?

La risposta è: imparando dalle conseguenze delle sue azioni.

1. I Tre Metodi di Apprendimento (I Tre Allievi)

Gli scienziati hanno creato tre "allievi" digitali (modelli di intelligenza artificiale) per vedere chi si comportava più come il nostro cervello umano quando guarda i volti:

• L'Allievo "Scolastico" (Modello Supervisionato): Questo studente ha un libro delle risposte. Gli mostrano una foto e gli dicono: "Questo è Marco, quello è Anna". È molto bravo, ma nella vita reale non abbiamo sempre un insegnante che ci corregge.
• L'Allievo "Artista" (Modello Non Supervisionato): Questo studente non ha un libro delle risposte. Deve solo guardare le foto e provare a ridisegnarle perfettamente. Impara i dettagli, ma non sa perché una persona è importante o pericolosa.
• L'Allievo "Esploratore" (Modello a Rinforzo - RL): Questo è il protagonista della storia. Non ha un libro delle risposte e non deve ridisegnare le foto. Il suo obiettivo è sopravvivere e ottenere premi.
  • Se incontra un volto che gli porta una "ricompensa" (un sorriso, un amico), si avvicina.
  • Se incontra un volto che porta una "punizione" (un'esperienza negativa), si allontana.
  • Impara guardando il mondo e sentendo le conseguenze delle sue scelte, proprio come facciamo noi esseri umani.

2. L'Esperimento: Il Cervello come Strumento di Misura

Per capire quale di questi tre allievi assomiglia di più al nostro cervello, gli scienziati hanno usato un metodo molto speciale. Hanno misurato l'attività elettrica direttamente dentro il cervello di pazienti epilettici (che avevano già elettrodi inseriti per motivi medici) mentre guardavano foto di volti.

Hanno confrontato i "pensieri" (le rappresentazioni neurali) del cervello umano con quelli dei tre modelli digitali.

3. La Grande Scoperta: L'Importanza dell'Architettura

Ecco il colpo di scena!

• Quando hanno usato un'architettura di rete neurale standard (chiamata ResNet, come un'auto standard), l'Allievo "Scolastico" (quello con il libro delle risposte) ha vinto. L'Allievo "Esploratore" (RL) era un po' indietro.
• MA, quando hanno usato un'architettura più sofisticata e moderna (chiamata VIB DenseNet, come un'auto da corsa con un motore speciale), è successo qualcosa di incredibile: L'Allievo "Esploratore" (RL) ha raggiunto le stesse prestazioni dell'Allievo "Scolastico"!

Cosa significa?
Significa che il nostro cervello non ha bisogno di un "libro delle risposte" per capire i volti. Se gli diamo il modo giusto di imparare (un'architettura che simula la complessità biologica), il cervello può imparare perfettamente solo interagendo con l'ambiente, ricevendo feedback positivi o negativi, esattamente come fa un bambino che impara a distinguere gli amici dai nemici.

4. Un'Analogia Finale: Il Gioco del "Caccia al Tesoro"

Immagina di dover imparare a riconoscere le persone in una grande festa:

• Il modello Scolastico è come qualcuno che ha una lista con i nomi di tutti gli invitati. È veloce, ma poco realistico.
• Il modello Artista è come qualcuno che prova a disegnare ogni faccia che vede. Capisce i dettagli, ma non sa chi è chi.
• Il modello Esploratore (quello che funziona meglio con la nuova architettura) è come te: ti avvicini a chi ti sorride (premio) e ti allontani da chi ti fa arrabbiare (punizione). Dopo un po', impari a riconoscere le persone non perché hai studiato un libro, ma perché hai vissuto la festa.

Conclusione

Questo studio ci dice che la nostra capacità di riconoscere i volti non è solo una questione di "guardare e memorizzare". È una questione di interazione. Il nostro cervello si modella in base alle esperienze che facciamo e ai feedback che riceviamo dal mondo.

Inoltre, ci insegna che per costruire intelligenze artificiali che pensano come noi, non dobbiamo per forza dar loro tutte le risposte. Dobbiamo invece creare sistemi che imparino sbagliando e correggendosi, proprio come facciamo noi nella vita di tutti i giorni.

Sommario tecnico

Titolo: Risposte selettive per i volti correlano con reti profonde che apprendono dal feedback ambientale

1. Il Problema

La comprensione di come il cervello codifichi i volti è centrale per la scienza della visione. I modelli computazionali esistenti si basano prevalentemente su due approcci, entrambi con limitazioni significative nel contesto del mondo reale:

• Apprendimento Supervisionato: Richiede etichette "ground-truth" (es. identità esatta di una persona) che non sono generalmente disponibili per gli osservatori umani nelle interazioni sociali quotidiane. Sebbene questi modelli (come le reti supervisionate per il riconoscimento dell'identità) abbiano mostrato buone prestazioni nel modellare le risposte neurali, il loro meccanismo di apprendimento non è biologicamente plausibile in contesti naturali.
• Apprendimento Non Supervisionato: Questi modelli non richiedono etichette, ma spesso ignorano il ruolo cruciale del feedback ambientale nel plasmare le rappresentazioni visive. Studi precedenti hanno dimostrato che le rappresentazioni visive sono modellate dai compiti comportamentali e dal feedback (ricompense o punizioni) che un animale riceve dall'ambiente. I modelli non supervisionati attuali (es. basati sulla ricostruzione dell'immagine) non catturano questa dipendenza dal feedback.

L'obiettivo di questo studio è colmare questa lacuna sviluppando un modello di percezione dei volti che apprenda attraverso un meccanismo di Reinforcement Learning (RL), simulando interazioni sociali reali (avvicinamento/evitamento) basate sul feedback, e verificare se tale modello possa spiegare le risposte neurali umane tanto quanto i modelli supervisionati e non supervisionati.

2. Metodologia

Dati Neurali:

• Partecipanti: 11 pazienti (media età 31.8 anni) sottoposti a elettroencefalografia intracorticale (iEEG) per la localizzazione dell'insorgenza delle crisi epilettiche.
• Elettrodi: Sono stati identificati 24 elettrodi "selettivi per i volti" (face-selective) situati nel flusso ventrale (corteccia temporale ventrale e occipitale) e nel flusso laterale (corteccia temporale laterale e occipitale).
• Stimoli: Immagini di volti dal dataset KDEF (Karolinska Directed Emotional Faces), variabili per identità, espressione ed angolo di visione. I partecipanti dovevano classificare il genere dei volti mentre venivano registrate le risposte neurali.

Modelli Computazionali:
Sono stati addestrati sei Deep Convolutional Neural Networks (DCNN) utilizzando un subset del dataset CelebA. I modelli sono stati confrontati variando sia il meccanismo di apprendimento che l'architettura dell'encoder:

1. Meccanismi di Apprendimento:
   • SUP (Supervisionato): Classificazione dell'identità del volto.
   • UNSUP (Non Supervisionato): Ricostruzione dell'immagine originale (Autoencoder).
   • RL (Reinforcement Learning): Il modello doveva decidere se "avvicinare" o "evitare" un volto. Ogni identità era associata a una distribuzione di probabilità di ricompensa (positiva o negativa). Il modello apprendeva a massimizzare la ricompensa totale.
2. Architetture dell'Encoder:
   • ResNet-18: Architettura residua standard, ampiamente utilizzata in neuroscienze.
   • VIB DenseNet: Una combinazione di DenseNet (connessioni dense) e Variational Autoencoders (VAE) con un collo di bottiglia informativo variabile (Variational Information Bottleneck). Questa architettura introduce stocasticità e regolarizzazione.

Analisi:
È stata utilizzata l'Analisi di Similarità Rappresentazionale (RSA). Sono state calcolate le Matrici di Dissimilarità Rappresentazionale (RDM) sia per i dati neurali (iEEG) che per le rappresentazioni interne dei modelli. La similarità tra le RDM neurali e quelle dei modelli è stata quantificata utilizzando il coefficiente di correlazione di rango di Kendall ($\tau$).

3. Contributi Chiave

• Introduzione di un modello RL per la percezione dei volti: Il primo studio che applica un task di approccio/evitamento basato sul feedback ambientale per modellare le risposte neurali ai volti, superando la dipendenza dalle etichette ground-truth.
• Interazione Architettura-Task: Dimostrazione che la capacità di un modello RL di allinearsi alle risposte neurali dipende criticamente dall'architettura dell'encoder. In particolare, l'architettura VIB DenseNet è risultata superiore alla ResNet per i task di RL.
• Analisi Temporale e Spaziale: Sfruttamento della risoluzione temporale dell'iEEG per analizzare come le diverse regioni cerebrali (ventrale vs laterale) si correlano con i modelli in diverse finestre temporali (125-275 ms post-stimolo).
• Modello Multi-Task: Sviluppo di un modello ibrido (UNSUP+RL) che combina ricostruzione dell'immagine e previsione della ricompensa, testando se l'apprendimento combinato migliori la corrispondenza neurale.

4. Risultati

• Prestazioni del Modello RL: I modelli RL hanno appreso con successo a massimizzare le ricompense, mostrando un aumento significativo delle ricompense ottenute dopo l'addestramento rispetto alla linea di base.
• Corrispondenza Neurale (ResNet vs VIB):
  • Con l'encoder ResNet, il modello supervisionato (SUP) ha mostrato la correlazione più alta con le risposte neurali, mentre il modello RL ha avuto prestazioni inferiori.
  • Con l'encoder VIB DenseNet, il modello RL ha raggiunto prestazioni comparabili a quelle dei modelli SUP e UNSUP, catturando le risposte neurali con un livello di accuratezza simile.
  • Il modello VIB RL ha mostrato correlazioni significativamente più alte con le risposte neurali rispetto al modello ResNet RL.
• Finestre Temporali: La corrispondenza tra modelli e risposte neurali è stata massima nella finestra temporale precoce (125-175 ms) e diminuita nelle finestre successive.
• Regioni Ventrali vs Laterali:
  • È stato possibile distinguere tra elettrodi ventrali e laterali basandosi sui pattern di correlazione con i modelli.
  • Gli elettrodi ventrali hanno mostrato una corrispondenza complessivamente maggiore con tutti i modelli rispetto a quelli laterali, specialmente nelle prime finestre temporali.
  • L'analisi suggerisce che la minore corrispondenza con le regioni laterali potrebbe essere dovuta all'uso di stimoli statici (i modelli sono stati addestrati su immagini statiche), mentre le regioni laterali sono note per rispondere più fortemente a stimoli dinamici.
• Modelli Ibridi: Il modello combinato (UNSUP+RL) è stato in grado di svolgere entrambi i compiti (ricostruzione e decisione di approccio), sebbene con prestazioni leggermente inferiori rispetto ai modelli addestrati su un singolo task. Tuttavia, la sua capacità di spiegare le risposte neurali è risultata numericamente superiore, anche se non statisticamente significativa rispetto ai modelli singoli.
• Contributo Unico: L'analisi di correlazione semi-parziale ha rivelato che i modelli supervisionati e l'architettura VIB DenseNet contengono informazioni uniche non catturate dagli altri modelli.

5. Significato e Implicazioni

Questo studio dimostra che i modelli di Reinforcement Learning, che apprendono attraverso l'interazione con l'ambiente e il feedback (simulando le dinamiche sociali reali), sono un approccio promettente e biologicamente plausibile per comprendere le rappresentazioni neurali dei volti.

I risultati suggeriscono che:

1. Il feedback ambientale è un fattore cruciale nel plasmare le rappresentazioni visive, al pari dell'input sensoriale stesso.
2. L'architettura della rete neurale (in particolare l'uso di meccanismi probabilistici e connessioni dense come nel VIB DenseNet) è fondamentale per permettere a un agente di apprendere tramite RL di allinearsi alle rappresentazioni del cervello umano.
3. Le differenze funzionali tra il flusso ventrale e quello laterale potrebbero essere meglio comprese considerando come queste regioni rispondono a diversi tipi di apprendimento e feedback, sebbene siano necessarie future ricerche con stimoli dinamici per chiarire appieno il ruolo delle regioni laterali.

In sintesi, il lavoro sposta il paradigma dalla semplice classificazione supervisionata verso modelli che integrano obiettivi comportamentali e feedback, offrendo una visione più completa di come il cervello umano elabori le informazioni sociali complesse.