Quantifying the information about uncertainty in neural population codes

問題提起

神経集団は、固有のノイズを伴いながら感覚変数や運動変数を符号化しており、それが内部表現における不確実性を生じさせる。行動学的研究は、人間や動物がこの不確実性を利用して意思決定を行うこと（メタ認知）を裏付けているが、神経集団が不確実性を表現するメカニズムは依然として不明である。具体的には、変数の推定（例：方位）に使用されるのと同じ神経活動が、いかにしてその推定の信頼性に関する情報をも伝えるのかという点は完全には理解されていない。Variable Precision (VP) モデルのような既存のモデルは、長裾（ロングテール）を持つ推定誤差を変動する精度に関連付けてきたが、情報の神経学的ソースを形式的に特定するには至っていない。さらに、近年の幾何学的アプローチは、非ガウス型の誤差を多様体の曲率に帰しているが、不確実性に関する情報量については直接的に扱っていない。核心となる問題は、「推定値そのもの」を超えて神経活動に含まれる「付随的情報（ancillary information）」（推定の信頼性に関する情報）を定量化し、それが非ガウス性（特に重い裾）とどのような関係にあるかを確立することである。

方法論

著者らは、$M$ 個のニューロンが、並進対称性を持つ刺激 $\theta$ を符号化するエンコーディング・デコーディング・モデルに基づいた、一般的なフレームワークを開発した。彼らは、最大尤度推定値（MLE）$\hat{\theta}_r$ を、神経活動 $r$ から導出される点推定値として扱う。

1. 理論的枠組み:

   • 著者らは、観測 $r$ を、MLE $\hat{\theta}_r$ と付随統計量（ancillary statistic） $a_r$ に分解する。付随統計量は、真のパラメータ $\theta$ とは確率的に独立であるが、MLE の正確さに関する情報を含んでいる。
   • 彼らは、推定誤差 $\epsilon$ の周辺分布を、正規化、反転、および再中心化された尤度関数の混合として定義する。ここで、混合成分の形状は付随統計量によって決定される。

2. 定量化指標:
   論文では、付随的情報を定量化するために、2つの相補的な指標を導入している。

   • 相互情報量 ($MI_e$): 推定誤差 $\epsilon$ と付随統計量 $a_r$（または全集団応答 $r$）の間の相互情報量として定義されるエントロピーベースの指標。これは $MI_e = H(\epsilon) - H(\epsilon|a_r)$ として計算される。これは、神経応答によって得られる誤差に関する不確実性の減少を表す。
   • フィッシャー情報量損失 ($I_{loss}$): 全観測 $r$ に含まれる期待フィッシャー情報量（FI）と、MLE $\hat{\theta}_r$ のみに含まれる期待 FI の差に基づく指標（$I_{loss} = I - I_{\hat{\theta}}$）。これは幾何学的には、統計多様体の曲率に関連する「イェンセン・フィッシャー・ダイバージェンス」として解釈される。

3. モデルとシミュレーション:

   • 著者らは、これらの指標を特定の神経集団モデル（ポアソンノイズ、ガウスノイズ（分散安定化変換を伴う）、および変調ポアソンノイズ（共有ゲイン変動を組み込んだもの））に適用している。
   • 彼らは、外部ノイズ（符号化前に刺激を汚染するノイズ）と、内部信号強度の弱体化（集団ゲインの減少）の影響を分析している。
   • シミュレーションでは、von Mises チューニング関数を持つ $M=200$ 個のニューロンの集団を使用している。

主要な貢献と結果

1. 付随的情報と非ガウス性の関係
著者らは、推定誤差におけるガウス性からの逸脱、特に行動データで頻繁に観察される長裾（ロングテール）が、付随的情報の存在の直接的な帰結であることを示している。

• 付随統計量が変動する場合（試行間で信頼性が変動することを示す）、周辺誤差分布は尤度のスケール混合となる。
• 期待 FI がガンマ分布に従うガウス尤度を用いた合成モデルにおいて、周辺誤差分布は $t$ 分布に収束する。この「裾の重さ」は、観測された FI の変動（$I_{loss}$ によって定量化される）によって直接決定される。

2. ノイズモデルの区別
本論文は、異なるノイズモデルが、ほぼ同一の推定誤差パターン（周辺分布）を生み出しながらも、全く異なる量の付随的情報を提供し得ることを明らかにしている。

• ポアソン vs ガウス: 分散安定化変換を介してポアソンノイズをガウスノイズで近似すると、期待フィッシャー情報量および誤差分布の一般的な形状は保持される。しかし、ガウス近似は付随的情報（$I_{loss}$ および $MI_e$）を系統的に過小評価する。これは、ガウスモデルが生体スパイク列が持つ不確実性に関する完全な情報を捉えきれない可能性があることを示唆している。
• ゲイン変調: ポアソンモデルに共有ゲイン変動（過分散）を導入すると、期待 FI や一般的な誤差パターンはほとんど変化しないにもかかわらず、付随的情報（$I_{loss}$ および $MI_e$）が単調に増加する。これは、ゲイン変調によって誘発されるニューロン間相関が、不確実性に関する重要な情報を担っていることを強調している。

3. $I_{loss}$ と $MI_e$ の解離
これら2つの付随的情報の指標は、相関関係にあるものの、異なる挙動を示す。

• $I_{loss}$（フィッシャーベース）は、チューニングの集中度（$\kappa$）およびゲイン変調に対して単調に増加する。
• $MI_e$（エントロピーベース）は、期待 FI が一定であるとき、$I_{loss}$ に対して逆U字型の関係を示す。$I_{loss}$ が非常に低いとき（尤度が同一であるとき）および $I_{loss}$ が非常に高いとき（尤度が極端に乖離し、低確信度の観測に支配されているとき）に、$MI_e$ はゼロに近づく。
• この解離により、$MI_e$ はフィッシャー情報量のみでは判別できないモデル（例：ガウス vs 変調ポアソン）を区別することが可能となる。

4. 外部ノイズ vs 信号の弱体化
著者らは、外部ノイズ（刺激を汚染する）と内部信号の弱体化（ゲインを減少させる）が、付随的情報に対して異なる影響を与えることを示している。

• 両者とも推定誤差の変動性を増大させる。
• しかし、外部ノイズは、不確実性を加える一方で、その不確実性に関する信号を与えないため、付随的情報（$I_{loss}$ および $MI_e$）を著しく減少させる。
• （ポアソンモデルにおける）信号強度の弱体化は、漸近的な情報損失（$I_{loss}^\infty$）を減少させず、特定の領域ではむしろ $MI_e$ を増加させることがある（逆U字パターン）。これは、外部ノイズによるパフォーマンスの低下と、信号強度の低下によるパフォーマンスの低下が、脳が自身の不確実性を評価する能力に関して根本的に異なることを示唆している。

5. メタ認知感受性の理論的上界
本論文は、$MI_e$ が、特定の神経集団符号化のみから得られるメタ認知感受性（主観的な自信がパフォーマンスをどの程度正確に追跡するか）の理論的な上界を定量化することを確立している。

• もし行動的なメタ認知感受性（$MI(\epsilon; c)$）が $MI_e$ よりも小さい場合、それは不確実性信号へのアクセスが不完全であること（例：「メタ認知ノイズ」や不適切な推論）を意味する。
• もし行動的な感受性が $MI_e$ を超える場合、それは不確実性に関する別の情報源へのアクセス（例：事後決定プロセス）が存在することを意味する。

重要性

著者らは、本研究が神経集団活動におけるメタ認知の基礎を調査するための、一貫した理論的基盤を提供するものであると主張している。付随的情報、非ガウス型誤差分布、およびフィッシャー情報量の曲率の関係を形式化することで、本フレームワークは以下のことを実現している：

1. 長裾の誤差に関する記述的モデル（VPモデルなど）と、メカニズムとしての集団符号化モデルを統合する。
2. 類似の行動誤差パターンが、異なる不確実性情報量を持つ異なる神経ノイズ構造から生じ得ることを明確化し、誤差分布のみに基づくモデル選択に注意を促す。
3. 感覚表現から導かれるメタ認知の限界を定量化し、脳が推定に使用されるのと同じ集団活動から直接不確実性を読み取っているのか、あるいは別のメカニズムに依存しているのかを検証するための指標を提示する。

結論として、付随的情報を評価することは、競合する感覚符号化モデルを区別し、脳が不確実性をどのように表現し利用しているかを理解するために極めて重要である。