Quantifying the information about uncertainty in neural population codes

신경 집단 코드 내 불확실성에 관한 정보의 정량화

문제 제기

신경 집단은 고유한 노이즈를 동반하며 감각 및 운동 변수를 인코딩하며, 이는 내부 표상에 불확실성을 초래한다. 행동 연구들은 인간과 동물이 이 불확실성을 활용하여 의사결정을 내린다는 것(메타인지)을 확인해주지만, 신경 집단이 불확실성을 표현하는 메커니즘은 여전히 불분명하다. 구체적으로, 변수(예: 방향)를 디코딩하는 데 사용되는 동일한 신경 활동이 어떻게 그 추정치의 신뢰도에 대한 정보 또한 전달하는지는 완전히 이해되지 않았다. 가변 정밀도(Variable Precision, VP) 모델과 같은 기존 모델들은 긴 꼬리를 가진 추정 오차를 변동하는 정밀도와 연결 지었으나, 이러한 정보의 신경적 근원을 공식적으로 규명하지는 못했다. 또한, 최근의 기하학적 접근 방식들은 비가우시안(non-Gaussian) 오차를 매니폴드 곡률의 결과로 돌리고 있지만, 불확실성에 관한 정보 함량에 대해서는 직접적으로 다루지 않았다. 핵심적인 문제는, 점 추정치 자체를 넘어 신경 활동에 포함된 '보조 통계량(ancillary information)'(즉, 추정 신뢰도에 관한 정보)을 정량화하고, 이를 비가우시안성(특히 두꺼운 꼬리 현상)과 연결하는 것이다.

방법론

저자들은 $M$개의 뉴런이 번역 대칭성(translational symmetry)을 가진 자극 $\theta$를 인코딩하는 인코딩-디코딩 모델을 기반으로 한 일반적인 프레임워크를 개발한다. 이들은 최대 우도 추정치(Maximum Likelihood Estimate, MLE)인 $\hat{\theta}_r$을 신경 활동 $r$로부터 도출된 점 추정치로 취급한다.

1. 이론적 프레임워크:

   • 저자들은 관측값 $r$을 MLE $\hat{\theta}_r$과 보조 통계량(ancillary statistic) $a_r$으로 분해한다. 보조 통계량은 실제 파라미터 $\theta$와 확률적으로 독립적이지만, MLE의 정확도에 대한 정보를 포함한다.
   • 이들은 추정 오차 $\epsilon$의 주변 분포(marginal distribution)를 정규화, 반전 및 재중심화된 우도 함수들의 혼합(mixture)으로 정의하며, 이때 혼합 성분의 형태는 보조 통계량에 의해 결정된다.

2. 정량화 척도:
   논문은 보조 정보를 정량화하기 위해 두 가지 상호 보완적인 척도를 도입한다.

   • 상호 정보량 ($MI_e$): 추정 오차 $\epsilon$과 보조 통계량 $a_r$(또는 전체 집단 반응 $r$) 사이의 상호 정보량으로 정의되는 엔트로피 기반 척도이다. 이는 $MI_e = H(\epsilon) - H(\epsilon|a_r)$로 계산된다. 이는 신경 반응이 주어졌을 때 오차에 대한 불확실성이 얼마나 감소하는지를 나타낸다.
   • 피셔 정보 손실 ($I_{loss}$): 전체 관측값 $r$에 포함된 기대 피셔 정보(Expected Fisher Information, FI)와 MLE $\hat{\theta}_r$ 단독에 포함된 기대 FI 사이의 차이를 기반으로 한 척도이다 ($I_{loss} = I - I_{\hat{\theta}}$). 이는 통계적 매니폴드의 곡률과 관련된 "젠슨-피셔 발산(Jensen-Fisher divergence)"으로 기하학적으로 해석된다.

3. 모델 및 시뮬레이션:

   • 저자들은 이 척도들을 특정 신경 집단 모델인 포아송 노이즈(Poisson noise), 가우시안 노이즈(분산 안정화 변환 적용), 그리고 변조된 포아송 노이즈(공유된 이득 변동을 포함)에 적용한다.
   • 이들은 외부 노이즈(인코딩 전 자극을 오염시키는 가산 노이즈)와 내부 신호 강도 약화(집단 이득을 감소시킴)의 효과를 분석한다.
   • 시뮬레이션에는 von Mises 튜닝 함수를 가진 $M=200$개의 뉴런 집단을 사용한다.

주요 기여 및 결과

1. 보조 정보와 비가우시안성의 관계
저자들은 추정 오차에서의 가우시안성 이탈, 특히 행동 데이터에서 자주 관찰되는 긴 꼬리 현상이 보조 정보의 존재에 따른 직접적인 결과임을 입증한다.

• 보조 통계량이 변할 때(이는 시행마다 신뢰도가 변함을 의미함), 주변 오차 분포는 우도 함수의 척도 혼합(scale mixture)이 된다.
• 가우시안 우도를 가진 합성 모델에서 관측된 FI(Observed FI)가 감마 분포를 따를 경우, 주변 오차 분포는 학생 t-분포(Student's $t$-distribution)로 수렴한다. 꼬리의 "두께"는 관측된 FI의 변동성($I_{loss}$로 정량화됨)에 의해 직접 결정된다.

2. 노이즈 모델 간의 구별
본 논문은 서로 다른 노이즈 모델들이 거의 동일한 추정 오차 패턴(주변 분포)을 생성하면서도, 보조 정보량은 판이하게 다를 수 있음을 밝혀낸다.

• 포아송 vs. 가우시안: 가우시안 노이즈로 포아송 노이즈를 근사하는 것(분산 안정화 변환을 통해)은 기대 피셔 정보와 오차 분포의 일반적인 형태를 보존한다. 그러나 가우시안 근사는 보조 정보($I_{loss}$ 및 $MI_e$)를 체계적으로 과소평가한다. 이는 가우시안 모델이 생물학적 스파이크 열(spike trains)에서 이용 가능한 불확실성에 관한 전체 정보를 포착하는 데 실패할 수 있음을 시사한다.
• 이득 변조(Gain Modulation): 포아송 모델에 공유된 이득 변동(과분산)을 도입하면, 기대 FI와 일반적인 오차 패턴은 거의 변하지 않음에도 불구하고 보조 정보($I_{loss}$ 및 $MI_e$)가 단조 증가한다. 이는 이득 변조에 의해 유도된 뉴런 간 상관관계가 불확실성에 관한 중요한 정보를 운반한다는 점을 강조한다.

3. $I_{loss}$와 $MI_e$의 해리(Dissociation)
두 가지 보조 정보 척도는 서로 상관되어 있지만 뚜렷하게 다른 거동을 보인다.

• $I_{loss}$(피셔 기반)는 튜닝 농축도($\kappa$) 및 이득 변동에 따라 단조 증가한다.
• $MI_e$(엔트로피 기반)는 기대 FI가 일정할 때 $I_{loss}$와 역 U자형 관계를 보인다. $I_{loss}$가 매우 낮을 때(우도들이 동일할 때)와 $I_{loss}$가 매우 높을 때(우도들이 극도로 발산하여 저신뢰도 관측치가 지배적일 때) $MI_e$는 0에 수렴한다.
• 이러한 해리는 $MI_e$가 피셔 정보만으로는 구별할 수 없는 모델들(예: 가우시안 vs. 변조된 포아송)을 차별화할 수 있게 한다.

4. 외부 노이즈 vs. 신호 약화
저자들은 외부 노이즈(자극을 오염시킴)와 내부 신호 약화(이득을 감소시킴)가 보조 정보에 미치는 영향이 서로 다름을 보여준다.

• 두 경우 모두 추정 오차의 변동성을 증가시킨다.
• 그러나 외부 노이즈는 불확실성에 대한 신호를 제공하지 않은 채 불확실성만을 더하기 때문에 보조 정보($I_{loss}$ 및 $MI_e$)를 크게 감소시킨다.
• 신호 강도 약화(포아송 모델에서)는 점근적 정보 손실($I_{loss}^\infty$)을 줄이지 않으며, 특정 영역에서는 오히려 $MI_e$를 증가시킬 수 있다(역 U자 패턴). 이는 외부 노이즈로 인한 성능 저하가 낮은 신호 강도로 인한 성능 저하와, 뇌가 자신의 불확실성을 평가하는 능력 측면에서 근본적으로 다름을 시사한다.

5. 메타인지 민감도의 상한선
본 논문은 $MI_e$가 특정 신경 집단 코드로부터 얻을 수 있는 메타인지 민감도(주관적 확신이 수행도를 추적하는 정확도)의 이론적 상한선을 정량화함을 입에 세운다.

• 만약 행동적 메타인지 민감도($MI(\epsilon; c)$)가 $MI_e$보다 작다면, 이는 불확실성 신호에 대한 접근이 불완전함(예: "메타인지적 노이즈" 또는 하위 최적 추론)을 의미한다.
• 만약 행동적 민감도가 $MI_e$를 초과한다면, 이는 불확실성에 관한 별도의 정보원(예: 결정 후 처리 과정)에 접근하고 있음을 의미한다.

의의

저자들은 이 연구가 신경 집단 활동의 기초를 조사하기 위한 일관된 이론적 토대를 제공한다고 주장한다. 보조 정보, 비가우시안 오차 분포, 그리고 피셔 정보 곡률 사이의 관계를 공식화함으로써, 본 프레임워크는 다음과 같은 역할을 한다:

1. 긴 꼬리 오차에 대한 기술적 모델(VP 모델 등)과 기계적 신경 집단 코딩 모델을 통합한다.
2. 유사한 행동 오차 패턴이 서로 다른 신경 노이즈 구조(서로 다른 불확실성 정보 함량을 가짐)로부터 발생할 수 있음을 명확히 하여, 오직 오차 분포에만 기반한 모델 선택에 주의를 촉구한다.
3. 감각 표상으로부터 도출되는 메타인지의 한계를 정량화하여, 뇌가 불확실성을 추정하는 데 사용되는 것과 동일한 집단 활동에서 직접 불확실성을 추출하는지, 아니면 별도의 메커니즘에 의존하는지를 테스트할 수 있는 척도를 제공한다.

결론적으로, 본 논문은 보조 정보를 평가하는 것이 경쟁적인 감각 코딩 모델을 구별하고, 뇌가 불확실성을 어떻게 표현하고 활용하는지 이해하는 데 필수적임을 강조한다.