Hidden-state inference aligns attention and neural representational geometry during flexible behaviour

Technische Samenvatting: Inferentie van verborgen toestanden stemt aandacht en neurale representatieve geometrie af tijdens flexibel gedrag

Probleemstelling
Flexibele besluitvorming in onzekere omgevingen vereist het vermogen om latente taaktoestanden te infereren en informatie te prioriteren die gedragsmatig relevant is. Hoewel reinforcement learning (RL)-modellen traditioneel zijn gebruikt om adaptief gedrag te verklaren, hebben ze vaak moeite met het verklaren van snelle contextwisselingen waarbij de onderliggende regels van de omgeving veranderen. Het centrale probleem dat wordt aangepakt, is het begrijpen van de computationele en neurale mechanismen die mensen in staat stellen te identificeren welke stimulusdimensies momenteel relevant zijn, hoe zij zich aanpassen aan contextwisselingen, en hoe deze cognitieve processen worden weerspiegeld in zowel de allocatie van aandacht als de neurale representatiestructuur.

Methodologie
De studie maakte gebruik van een multimodale aanpak waarbij gedragsmodellering, oculomotorische tracking en neuroimaging werden gecombineerd:

• Taakontwerp: Menselijke participanten voerden een seriële reversal learning-taak uit. In dit paradigma moesten participanten identificeren welke stimulusdimensie(n) momenteel voorspellend waren voor beloningen, waarbij zij de latente toestand van de omgeving moesten infereren naarmate deze veranderde.
• Gedragsmodellering: De auteurs vergeleken een model voor inferentie van verborgen toestanden met meerdere varianten van reinforcement learning. Het model voor verborgen toestanden werd geëvalueerd op zijn vermogen om zowel de keuzes van de participanten als hun geïnferreerde contexten te voorspellen.
• Oculomotorische Tracking: Oogbewegingen werden geregistreerd om convergente bewijslast voor selectieve aandacht te leveren. Metrieken omvatten de concentratie van de blik op relevante kenmerken, het volgen van trial-voor-trial belief updates, en de dynamiek van het volgen van de blik bij hoge voorspellingsfouten.
• Neuroimaging: Magnetoencefalografie (MEG) werd gebruikt om de neurale correlaten van de inferentie van latente toestanden te onderzoeken. De analyse richtte zich op de vraag hoe neurale activiteit de geïnferreerde context codeert en hoe dit wordt gemoduleerd door recente voorspellingsfouten.
• Representatieve Analyse: De studie maakte gebruik van representatieve geometrie-analyse om de structuur van neurale representaties te onderzoeken, specifiek kijkend naar veranderingen in de afstand tussen neurale patronen die verschillende stimuluswaarden vertegenwoordigen.

Belangrijkste Resultaten

• Gedragsadaptatie: Participanten pasten zich snel aan contextwisselingen aan. Het model voor verborgen toestanden bood de beste verklaring voor deze adaptaties en presteerde significant beter dan diverse RL-varianten in het voorspellen van zowel keuzes als geïnferreerde contexten.
• Attentiedynamiek: Oculomotorische data bevestigden dat de blik steeds meer geconcentreerd raakte op gedragsmatig relevante kenmerken. Deze aandachtelijke focus volgde de trial-voor-trial belief updates. Opvallend genoeg werd de blik na hoge voorspellingsfouten tijdelijk breder, wat wijst op een tijdelijke verschuiving in de aandachtelijke reikwijdte.
• Neurale Codering: Neurale representaties codeerden succesvol de momenteel geïnferreerde context. Deze representaties werden gemoduleerd door recente voorspellingsfouten; specifiek waren grotere voorspellingsfouten geassocieerd met zwakkere contextrepresentaties op de daaropvolgende trial.
• Reorganisatie van Neurale Geometrie: Succesvolle prestaties waren gekoppeld aan een systematische reorganisatie van de neurale representatieve geometrie. Deze reorganisatie werd gekenmerkt door de selectieve amplificatie van representatieve afstanden voor taakrelevante kenmerken en een toegenomen scheiding van gedragsmatig relevante stimuluswaarden.

Belangrijkste Bijdragen
Het artikel biedt een systeemniveau-verklaring van flexibele besluitvorming door aan te tonen dat inferentie van verborgen toestanden, aandacht en neurale representatieve geometrie nauw op elkaar zijn afgestemd. Het stelt vast dat:

1. Inferentie van verborgen toestanden een superieur computationeel kader is voor het verklaren van snelle gedragsadaptatie in onzekere omgevingen vergeleken met standaard RL-modellen.
2. Oculomotorisch gedrag dient als een directe, trial-voor-trial marker van belief updates en de allocatie van aandacht tijdens contextwisselingen.
3. De neurale representatieve geometrie niet statisch is, maar dynamisch reorganiseert om adaptief gedrag te ondersteunen, specifiek door het versterken van het neurale onderscheid tussen relevante stimuluswaarden wanneer de prestaties succesvol zijn.

Significantie
De auteurs beweren dat hun bevindingen verduidelijken hoe gedragsmatig relevante informatie selectief wordt geprioriteerd en gerepresenteerd om adaptief gedrag te ondersteunen. Door het computationele model van inferentie van verborgen toestanden te koppelen aan specifieke oculomotorische signatures en dynamische veranderingen in neurale representatieve geometrie, biedt de studie een uitgebreid mechanisme voor hoe de hersenen met onzekerheid omgaan en flexibiliteit in besluitvorming behouden. Het werk suggereert dat de hersenen niet enkel waardeschattingen bijwerken, maar actief hun interne representatieruimte herstructureren om af te stemmen op de geïnferreerde taakcontext.