Quantifying the information about uncertainty in neural population codes

Definizione del Problema

Le popolazioni neurali codificano variabili sensoriali e motorie con un rumore intrinseco, portando a un'incertezza nelle rappresentazioni interne. Sebbene gli studi comportamentali confermino che gli esseri umani e gli animali utilizzino questa incertezza per guidare le decisioni (metacognizione), il meccanismo attraverso il quale le popolazioni neurali rappresentano l'incertezza rimane poco chiaro. Nello specifico, non è ancora del tutto compreso come la stessa attività neurale utilizzata per decodificare una variabile (ad esempio, l'orientamento) trasmetta anche informazioni sulla l'affidabilità di tale stima. Modelli precedenti, come il modello a Precisione Variabile (VP), hanno collegato errori di stima a code lunghe a fluttuazioni della precisione, ma non hanno formalmente identificato la fonte neurale di questa informazione. Inoltre, recenti approcci geometrici attribuiscono gli errori non gaussiani alla curvatura del manifold, ma non hanno affrontato direttamente il contenuto informativo relativo all'incertezza. Il problema centrale è quantificare l' "informazione ancillare" — l'informazione sull'affidabilità della stima contenuta nell'attività neurale oltre alla stima puntuale stessa — ed estendere il suo rapporto con la non-gaussianità (specificamente, le code pesanti) degli errori di stima.

Metodologia

Gli autori sviluppano un quadro generale basato su un modello di codifica-decodifica in cui una popolazione di $M$ neuroni codifica uno stimolo $\theta$ con simmetria traslazionale. Trattano la Stima di Massima Verosimiglianza (MLE), $\hat{\theta}_r$, come lo stimatore puntuale derivato dall'attività neurale $r$.

1. Quadro Teorico:

   • Gli autori decompongono l'osservazione $r$ nella MLE $\hat{\theta}_r$ e in una statistica ancillare $a_r$. La statistica ancillare è probabilisticamente indipendente dal vero parametro $\theta$, ma contiene informazioni sull'accuratezza della MLE.
   • Definiscono la distribuzione marginale dell'errore di stima $\epsilon$ come una miscela di funzioni di verosimiglianza normalizzate, riflesse e recentrate, dove la forma dei componenti della miscela è determinata dalla statistica ancillare.

2. Misure di Quantificazione:
   Il documento introduce due misure complementari per quantificare l'informazione ancillare:

   • Informazione Mutua ($MI_e$): Una misura basata sull'entropia definita come l'informazione mutua tra l'errore di stima $\epsilon$ e la statistica ancillare $a_r$ (o l'intera risposta della popolazione $r$). È calcolata come $MI_e = H(\epsilon) - H(\epsilon|a_r)$. Rappresenta la riduzione dell'incertezza sull'errore data la risposta neurale.
   • Perdita di Informazione di Fisher ($I_{loss}$): Una misura basata sulla differenza tra l'Informazione di Fisher (FI) attesa contenuta nella piena osservazione $r$ e la FI attesa contenuta solo nella MLE $\hat{\theta}_r$ ($I_{loss} = I - I_{\hat{\theta}}$). È interpretata geometricamente come una "divergenza Jensen-Fisher" legata alla curvatura del manifold statistico.

3. Modelli e Simulazioni:

   • Gli autori applicano queste misure a specifici modelli di popolazione neurale: rumore di Poisson, rumore Gaussiano (con trasformazione stabilizzante la varianza) e rumore di Poisson modulato (che incorpora fluttuazioni di guadagno condivise).
   • Analizzano gli effetti del rumore esterno (rumore additivo che corrompe lo stimolo prima della codifica) rispetto all'indebolimento della forza del segnale interno (riduzione del guadagno della popolazione).
   • Le simulazioni utilizzano una popolazione di $M=200$ neuroni con funzioni di tuning di tipo von Mises.

Contributi Chiave e Risultati

1. Relazione tra Informazione Ancillare e Non-Gaussianità
Gli autori dimostrano che le deviazioni dalla gaussianità negli errori di stima, in particolare le code lunghe frequentemente osservate nei dati comportamentali, sono una diretta conseguenza della presenza di informazione ancillare.

• Quando la statistica ancillare varia (indicando una variabilità della affidabilità tra le prove), la distribuzione marginale dell'errore diventa una miscela di scala di verosimiglianze.
• In un modello sintetico con verosimiglianze Gaussiane dove la FI Osservata segue una distribuzione Gamma, la distribuzione marginale dell'errore converge a una distribuzione $t$ di Student. La "pesantezza" delle code è determinata direttamente dalla variabilità della FI Osservata (quantificata da $I_{loss}$).

2. Distinzione tra Modelli di Rumore
Il documento rivela che diversi modelli di rumore possono produrre pattern di errore di stima (distribuzioni marginali) quasi identici, pur fornendo quantità di informazione ancillare profondamente diverse.

• Poisson vs. Gaussiano: Approssimare il rumore di Poisson con un rumore Gaussiano (tramite trasformazione stabilizzante la varianza) preserva la FI Attesa e la forma generale delle distribuzioni di errore. Tuttavia, l'approssimazione Gaussiana sottostima sistematicamente l'informazione ancillare ($I_{loss}$ e $MI_e$). Ciò suggerisce che i modelli Gaussiani potrebbero non catturare l'intero contenuto informativo riguardante l'incertezza disponibile nei treni di impulsi biologici.
• Modulazione del Guadagno: L'introduzione di fluttuazioni di guadagno condivise (sovradispersione) in un modello di Poisson aumenta monotonicamente l'informazione ancillare ($I_{loss}$ e $MI_e$), anche se la FI Attesa e i pattern generali di errore rimangono ampiamente invariati. Ciò evidenzia che le correlazioni inter-neuronali indotte dalla modulazione del guadagno trasportano un'informazione significativa sull'incertezza.

3. Dissociazione tra $I_{loss}$ e $MI_e$
Le due misure di informazione ancillare, pur essendo correlate, mostrano comportamenti distinti:

• $I_{loss}$ (basata su Fisher) aumenta monotonicamente con la concentrazione del tuning ($\kappa$) e la modulazione del guadagno.
• $MI_e$ (basata sull'entropia) mostra una relazione a U invertita con $I_{loss}$ quando la FI Attesa è mantenuta costante. $MI_e$ si avvicina a zero quando $I_{loss}$ è molto basso (le verosimiglianze sono identiche) e quando $I_{loss}$ è molto alto (le verosimiglianze sono estremamente divergenti, dominate da osservazioni a bassa certezza).
• Questa dissociazione permette a $MI_e$ di differenziare tra modelli (ad esempio, Gaussiano vs. Poisson Modulato) che sono indistinguibili basandosi solo sulla Informazione di Fisher.

4. Rumore Esterno vs. Indebolimento del Segnale
Gli autori mostrano che il rumore esterno (che corrompe lo stimolo) e l'indebolimento del segnale interno (riduzione del guadagno) hanno effetti diversi sull'informazione ancillare:

• Entrambi aumentano la variabilità dell'errore di stima.
• Tuttavia, il rumore esterno riduce significativamente l'informazione ancillare ($I_{loss}$ e $MI_e$) perché aggiunge incertezza senza fornire un segnale su tale incertezza.
• L'indebolimento della forza del segnale (nel modello di Poisson) non riduce la perdita di informazione asintotica ($I_{loss}^\infty$) e può anzi aumentare $MI_e$ in certi regimi (pattern a U invertita). Ciò suggerisce che la riduzione delle prestazioni dovuta al rumore esterno è fondamentalmente diversa dalla riduzione delle prestazioni dovuta alla bassa forza del segnale per quanto riguarda la capacità del cervello di valutare la propria incertezza.

5. Limite Superiore della Sensibilità Metacognitiva
Il documento stabilisce che $MI_e$ quantifica un limite superiore teorico sulla sensibilità metacognitiva (l'accuratezza con cui la fiducia soggettiva segue la prestazione) ottenibile da una specifica popolazione neurale di codice.

• Se la sensibilità metacognitiva comportamentale ($MI(\epsilon; c)$) è inferiore a $MI_e$, ciò implica un accesso imperfetto al segnale di incertezza (ad esempio, a causa di "rumore metacognitivo" o inferenza subottimale).
• Se la sensività comportamentale eccede $MI_e$, ciò implica l'accesso a una fonte separata di informazione sull'incertezza (ad esempio, elaborazione post-decisionale).

Significato

Gli autori affermano che questo lavoro fornisce una base teorica coerente per investigare la base della metacognizione nell'attività delle popolazioni neurali. Formalizzando la relazione tra informazione ancillare, distribuzioni di errore non-gaussiane e la curvatura dell'informazione di Fisher, il quadro:

1. Unifica i modelli descrittivi di code lunghe (come il modello VP) con i modelli meccanicistici di codifica di popolazione.
2. Chiarisce che pattern di errore comportamentale simili possono derivare da diverse strutture di rumore neurale con differenti contenuti di informazione sull'incertezza, esortando alla cautela nella selezione del modello basata esclusivamente sulle distribuzioni di errore.
3. Quantifica i limiti della metacognizione derivati dalle rappresentazioni sensoriali, offrendo una metrica per testare se il cervello accede all'incertezza direttamente dalla stessa popolazione neurale utilizzata per la stima o se si affida a meccanismi separati.

Il documento conclude che la valutazione dell'informazione ancillare è cruciale per distinguere tra modelli competitivi di codifica sensoriale e per comprendere come il cervello rappresenti e utilizzi l'incertezza.