Precision-weighted updating shows cross-task consistency as a bounded computational marker when precision gain is sufficiently large

기술 요약: 정밀도 가중치 업데이트는 정밀도 이득이 충분히 클 때 교차 과제 일관성을 경계된 계산적 표지로 보여준다

문제 정의
계산 정신의학은 증후군적 라벨을 대신하여 전형적(transdiagnostic) 표지 또는 내표형(endophenotype) 역할을 할 수 있는 생성적 파라미터(예: 학습률, 정밀도 가중치)를 찾는 것을 목표로 한다. 그러나 중요한 긴장이 존재한다: 단일 실험 과제 내에서 추정된 파라미터들은 종종 휴대 가능한 특성(portable traits)으로 취급되지만, 실제로는 "과제에 묶인 회귀 가중치(task-bound regression weights)"일 수 있다는 점이다. 본 논문은 CPSP-8 모델(3층 위협 해리 프레임워크) 내의 특정 정밀도 가중치 계수($\gamma$)가 서로 다른 위험 감수 과제(BART 및 CCTHot)와 행동 프로브(behavioral probe) 사이에서 일반화되는지, 아니면 단순히 특정 과제 그래프의 인공물인지 문제를 다룬다. 본 연구는 $\gamma$의 식별 가능성과 교차 과제 일관성을 다른 결정 파라미터들(위협, 기저치, 초기 학습률 $\alpha_0$, 역온도 $\beta$, 가치 이득 $v_{gain}$) 및 이론적인 오른슈타인-우울렌벡(Ornstein-Uhlenbeck, OU) 위협 층과 비교하여 구체적으로 조사한다.

방법론
본 연구는 세 가지 OpenNeuro 데이터셋으로부터 추출된 비식별화된 데이터의 이차 분석을 활용하였다:

1. D1 (BART): $N=173$ (대조군 124명, 조현병 환자 49명) (ds000030).
2. D5 (CCTHot): $N=104$ (ds004636).
3. D2 (HierPrior): $N=43$ (ds008083), $\gamma$를 위한 행동 프로브 제공.

모델 아키텍처:
저자는 다음과 같은 구성 요소를 가진 CPSP-8 모델을 사용하였다:

• Layer 1 (이론적 층): 잠재적 위협 상태($z_t$)와 해리 드리프트(dissociation drift)를 위한 연속 시간 오른슈타인-우울렌벡(OU) 프로세스. 이러한 파라미터들($\theta, \sigma_{ou}, \kappa, \lambda, onset$)은 환자 개인의 특성을 식별 불가능한 역동성으로 서술하는 것을 방지하기 위해, 이전 회복 시뮬레이션(여기서 $\theta$ 회복은 $r < 0.3$였다)에서 도출된 집단 평균값으로 **고정(frozen)**되었다.
• Layer 2 (결정 층): 정밀도 게이트가 적용된 델타 규칙(delta-rule). 학습률 $\alpha_t$는 베르누이 불확실성 대비 제곱 예측 오차($PE_t^2$)에 기반하여 정밀도 가중치 계수 $\gamma$에 의해 조절된다.
• Layer 3: Wald 프로세스의 로그-정규 근사를 통한 반응 시간(RT) 모델링.

분석 절차:
핵-분석에는 결과 확인 전 사전 등록된 **계층적 전이 교차 검증(Hierarchical Transfer Cross-Validation, HTCV)**을 사용하였다. 이는 표준적인 leave-one-subject-out CV와 달리, 과제 간 집단 수준 사후 평균의 교환 가능성을 테스트한다.

• 일관성 기준: 파라미터가 과제 간에 일관적이라고 간주되는 것은 두 과제 평균 사이의 차이($\Delta = \mu_{TaskA} - \mu_{TaskB}$)에 대한 95% 최고 밀도 구간(Highest Density Interval, HDI)이 0을 포함할 때이다.
• 가설:
  • H1: 모든 비-$\gamma$ 결정 파라미터는 BART와 CCT 간에 일관적이다.
  • H2: $\gamma$는 BART, CCT, 그리고 HierPrior 프로브 간에 일관적이다.
  • H3: OU 층은 고정(freeze) 하에 있어 테스트 불가능하다.
  • H4: CPSP-8은 전용 모델들(Random Walk, Logistic Regression, DDM, 단순화된 HGF-2)보다 성능이 뒤처지지 않는다.
• 사후 검토 진단: ROPE(실질적 동등 영역) 체크, 공액 MAP+SE 민감도 그리드(36가지 사전 분포 및 풀링 변형), WAIC/LOO-IC 모델 비교, 인구통계학적 성향 점수 가중치(IPW)를 포함하였다.
• 식별 가능성 체크: 가상 피험자 시뮬레이션(D1d, D1e)을 통해 파라미터 회복($r$)과 가족 수준 분리성(Bayes Factors)을 테스트하였다(정밀도 게이트 모델과 Random Walk(RW) 극한($\gamma=0$) 간의 비교).

주요 결과

1. H1 실패 (과제 특이성): 모든 비-$\gamma$ 결정 파라미터($\text{threat}, \text{baseline}, \alpha_0, \beta, v_{gain}$)는 BART와 CCT 사이에 유의미한 차이를 보였다(95% HDI가 0을 제외함). 예를 들어, $\beta$(역온도)는 BART에서 1.769였으나 CCT에서는 0.001이었다. 저자는 이를 모델 적합 실패가 아니라, 이 파라미터들이 특정 과제 구조(예: 숨겨진 위험 대 명시적 확률)에 적응하는 "모드 스위치(mode switches)"로서 작용한다는 증거로 해석한다.
2. H2 조건부 지지 (파이프라인 민감적 일관성): 사전 등록된 NUTS HDI 규칙 하에서, 정밀도 가중치 계수인 $\gamma$는 BART와 CCT 사이의 차이의 95% HDI가 0을 포함하는 유일한 파라미터였다($\Delta = 0.3835$, HDI $[-0.0084, 0.7826]$). 이 일관성은 세 가지 대조군(BART-CCT, BART-EEG, CCT-EEG) 모두에서 이 특정 규칙 하에 유지되었다.
   • 결정적 한계: 논문은 이 결과가 파이프라인에 따라 견고하지 않다고 명시적으로 밝힌다. 즉, $\gamma$는 공액 MAP+SE 그리드 상에서 일관성이 결여되었고(0/36 셀이 0을 포함하지 않음), ROPE 동등성을 만족하지 못하며(HDI가 겹치기는 하나 ROPE 내에 포함되지 않음), WAIC/LOO는 공유-$\gamma$ 모델보다 과제 특이적 $\gamma$ 모델을 선호했다($\Delta$WAIC = 146.6). 따라서 $\gamma$는 안정적인 표지라기보다 "경계가 있고 파이프라인에 민감한 교차 과제 스칼라"로 설명된다.
3. H3 확인 (식별 불가능한 OU): OU 층 파라미터는 가상 피험자 회복 시뮬레이션에서 $\theta$에 대한 피어슨 상관관계가 $r < 0.3$으로 나타나 식별 불가능했기 때문에 고정된 상태로 유지되었다.
4. H4 실패 (예측 성능): CPSP-8은 전용 모델들을 능가하지 못했다. 선택(choice)의 RMSE 측면에서는 Random Walk(RW)와 로지스틱 회귀가, RT RMSE 측면에서는 DDM이 더 우수한 성능을 보였다.
5. 식별 가능성 및 분리성:
   • $\gamma$는 960회의 시행(중앙값 $r \approx 0.66$)에서 개별 수준에서 회복 가능했다.
   • 가족 분리성: 모델은 실제 $\gamma$가 충분히 클 때만 정밀도 게이트 메커니즘을 Random Walk($\gamma=0$)로부터 구분할 수 있었다. 분리성은 $\gamma \ge 1.0$ 및 $\ge 960$회의 시행(또는 $\gamma \ge 1.5$ 및 480회의 시행)에서 달성되었다. $\gamma \le 0.5$ 또는 $\gamma=0$인 경우, 모델은 RW와 가족적으로 구분이 불가능했다(Bayes Factors가 1에 근접).

의의 및 주장
본 논문은 제한적이고 경계가 있는 계산 정신의학적 기여를 주장한다:

• $\gamma$는 바이오마커가 아닌 경계가 있는 스칼라이다: 정밀도 가중치 계수 $\gamma$는 특정 조건(충분히 큰 이득, 충분한 시행 횟수, 고정된 NUTS 적합 파이프라인) 하에서만 교차 과제 일관성을 보여준다. 이는 ROBS(ROPE), 공액 그리드, WAIC 등의 강건성 검사를 통과하지 못했으며, 조현병 진단에 따른 차이도 보이지 않았다($\gamma$는 BART 샘플에서 진단별로 차이가 없었으나, $\beta$는 차이가 있었으나 교차 과제 일관성에 실패했다).
• 메커니즘 대 아키텍처: 본 연구는 "휴대 가능한" 파라미터와 "모드 스위치"를 구분한다. H1의 실패는 많은 결정 파라미터들이 맥락 의존적임을 나타낸다. H2의 조건부 성공은 정밀도 가중치가 "정밀도 이득"이 충분히 클 때, 그리고 적합 파이프라인이 고정되었을 때만 계산적 내표형의 후보가 될 수 있음을 시사한다.
• 정직한 제약(Honesty Constraints): 저자는 OU 층을 고정하고 $\gamma$를 RW로부터 분리할 수 없는 낮은 값에서의 능력을 인정하는 것이 "정직한 제약"임을 강조한다. 저자들은 식별되지 않은 역동성을 환자 개인의 특성으로 서술하는 것에 반대한다.
• 방법론적 엄밀성: 본 연구는 계층적 전이 검증과 파라미터 회복 체크의 필요성을 재확인하며, 파라미터가 특정 Bayesian HDI 규칙 하에서는 교차 과제 일관성을 보이는 것처럼 보일지라도, 다른 강건성 검사(ROPE, 공액 그리드, WAIC)에서는 실패할 수 있음을 보여줌으로써 "파이프라인 민감도"를 강조한다.

결론적으로, 본 논문은 정밀도 가중치 업데이트($\gamma$)가 교차 과제 계산적 표지로서 유망함을 보여주지만, 그 효용성은 이득의 크기, 시행 횟수, 그리고 적합 파이프라인에 의해 엄격하게 제한됨을 단언한다. 이를 신경학적 앵커나 가족 설계에 대한 추가 검증 없이 확정적인 임상 진단 도구나 유전적 내표형으로 해석해서는 안 된다.