Quantifying the information about uncertainty in neural population codes

Probleemstelling

Neurale populaties coderen sensorische en motorische variabelen met inherente ruis, wat leidt tot onzekerheid in interne representaties. Hoewel gedragsonderzoek bevestigt dat mensen en dieren deze onzekerheid gebruiken om beslissingen te sturen (metacognitie), blijft het mechanisme waarmee neurale populaties onzekerheid representeren onduidelijk. Specifiek is het niet volledig begrepen hoe dezelfde neurale activiteit die wordt gebruikt om een variabele te decoderen (bijv. oriëntatie), ook informatie overdragen over de betrouwbaarheid van die schatting. Eerdere modellen, zoals het Variable Precision (VP) model, hebben verbanden gelegd tussen langgerekte foutverdelingen (long-tailed estimation errors) en fluctuerende precisie, maar hebben de neurale bron van deze informatie niet formeel geïdentificeerd. Bovendien koppelen recente geometrische benaderingen niet-Gaussische fouten aan de kromming van het manifold, maar hebben zij de informatie-inhoud met betrekking tot onzekerheid niet direct geadresseerd. Het kernprobleid is het kwantificeren van de "ancillaire informatie" — de informatie over de betrouwbaarheid van de schatting die in de neurale activiteit besloten ligt buiten de punt-schatting zelf — en het vaststellen van de relatie tussen deze informatie en de niet-Gaussische aard (specifiek de zware staarten) van de schattingsfouten.

Methodologie

De auteurs ontwikkelen een algemeen kader gebaseerd op een codering-decoderingsmodel waarbij een populatie van $M$ neuronen een stimulus $\theta$ codeert met translationele symmetrie. Zij behandelen de Maximum Likelihood Estimate (MLE), $\hat{\theta}_r$, als de punt-schatter afgeleid van de neurale activiteit $r$.

1. Theoretisch Kader:

   • De auteurs deconstrueren de observatie $r$ in de MLE $\hat{\theta}_r$ en een ancillaire statistiek $a_r$. De ancillaire statistiek is probabilistisch onafhankelijk van de ware parameter $\theta$, maar bevat informatie over de nauwkeurigheid van de MLE.
   • Zij definiëren de marginale verdeling van de schattingsfout $\epsilon$ als een mengeling van genormaliseerde, gereflecteerde en hergecentreerde likelihood-functies, waarbij de vorm van de mengcomponenten wordt bepaald door de ancillaire statistiek.

2. Kwantificatiemaatstaven:
   Het artikel introduceert twee complementaire maatstaven om ancillaire informatie te kwantificeren:

   • Mutual Information ($MI_e$): Een entropie-gebaseerde maatstaf gedefinieerd als de wederzijdse informatie tussen de schattingsfout $\epsilon$ en de ancillaire statistiek $a_r$ (of de volledige populatie-respons $r$). Dit wordt berekend als $MI_e = H(\epsilon) - H(\epsilon|a_r)$. Dit vertegenwoordigt de reductie in onzekerheid over de fout gegeven de neurale respons.
   • Fisher Information Loss ($I_{loss}$): Een maatstaf gebaseerd op het verschil tussen de Verwachte Fisher Informatie (FI) in de volledige observatie $r$ en de Verwachte FI in de MLE $\hat{\theta}_r$ alleen ($I_{loss} = I - I_{\hat{\theta}}$). Dit wordt geometrisch geïnterpreteerd als een "Jensen-Fisher divergentie" gerelateerd aan de kromming van het statistische manifold.

3. Modellen en Simulaties:

   • De auteurs passen deze maatstaven toe op specifieke neurale populatiemodellen: Poisson-ruis, Gaussische ruis (met een variant-stabiliserende transformatie), en Gemoduleerde Poisson-ruis (waarin gedeelde fluctuaties in de gain zijn opgenomen).
   • Zij analyseren de effecten van externe ruis (additieve ruis die de stimulus corrumpeert vóór de codering) versus het verzwakken van de interne signaalsterkte (het verminderen van de populatie-gain).
   • Simulaties maken gebruik van een populatie van $M=200$ neuronen met von Mises tuning-functies.

Belangrijkste Bijdragen en Resultaten

1. Relatie tussen Anciliaire Informatie en Niet-Gaussianiteit
De auteurs laten zien dat afwijkingen van Gaussianiteit in schattingsfouten, met name de vaak in gedragsdata geobserveerde lange staarten, een direct gevolg zijn van de aanwezigheid van anciliaire informatie.

• Wanneer de ancillaire statistiek varieert (wat wijst op variërende betrouwbaarheid tussen trials), wordt de marginale foutverdeling een schaal-mengeling van likelihoods.
• In een synthetisch model met Gaussische likelihoods, waarbij de Geobserveerde FI een Gamma-verdeling volgt, convergeert de marginale foutverdeling naar een Student's $t$-verdeling. De "zwaarte" van de staarten wordt direct bepaald door de variabiliteit van de Geobserveerde FI (gekwantificeerd door $I_{loss}$).

2. Onderscheid tussen Ruismodellen
Het artikel onthult dat verschillende ruismodellen bijna identieke schattingsfoutpatronen (marginale verdelingen) kunnen produceren, terwijl ze fundamenteel verschillende hoeveelheden anciliaire informatie bevatten.

• Poisson versus Gaussisch: Het benaderen van Poisson-ruis met Gaussische ruis (via een variant-stabiliserende transformatie) behoudt de Verwachte Fisher Informatie en de algemene vorm van de foutverdelingen. De Gaussische benadering onderschat echter systematisch de anciliaire informatie ($I_{loss}$ en $MI_e$). Dit suggereert dat Gaussische modellen er mogelijk niet in slagen de volledige informatie over onzekerheid te vatten die beschikbaar is in biologische spike-treinen.
• Gain Modulatie: Het introduceren van gedeelde gain-fluctuaties (overdispersie) in een Poisson-model verhoogt de anciliaire informatie ($I_{loss}$ en $MI_e$) monotoon, zelfs wanneer de Verwachte FI en de algemene foutpatronen grotendeels onveranderd blijven. Dit benadrukt dat interneurale correlaties, geïnduceerd door gain-modulatie, significante informatie dragen over onzekerheid.

3. Dissociatie tussen $I_{loss}$ en $MI_e$
De twee maatstaven voor anciliaire informatie vertonen, hoewel ze gecorreleerd zijn, een verschillend gedrag:

• $I_{loss}$ (gebaseerd op Fisher) neemt monotoon toe met de tuning-concentratie ($\kappa$) en gain-modulatie.
• $MI_e$ (gebaseerd op entropie) vertoont een omgekeerde U-relatie met $I_{loss}$ wanneer de Verwachte FI constant wordt gehouden. $MI_e$ nadert nul wanneer $I_{loss}$ zeer laag is (likelihoods zijn identiek) en wanneer $I_{loss}$ zeer hoog is (likelihoods zijn extreem divergent, gedomineerd door observaties met een lage zekerheid).
• Deze dissociatie stelt $MI_e$ in staat om modellen te differentiëren (bijv. Gaussisch versus Gemoduleerd Poisson) die ononderscheidbaar zijn op basis van louter Fisher Informatie.

4. Externe Ruis versus Signaalverzwakking
De auteurs tonen aan dat externe ruis (die de stimulus corrumpeert) en interne signaalverzwakking (het verminderen van de gain) verschillende effecten hebben op de anciliaire informatie:

• Beide verhogen de variabiliteit van de schattingsfout.
• Echter, externe ruis vermindert de anciliale informatie aanzienlijk ($I_{loss}$ en $MI_e$), omdat het onzekerheid toevoegt zonder een signaal over die onzekerheid te bieden.
• Het verzwakken van de signaalsterkte (in het Poisson-model) vermindert de asymptotische informatieverlies ($I_{loss}^\infty$) niet en kan de $MI_e$ in bepaalde regimes zelfs verhogen (het omgekeerde-U patroon). Dit suggereert dat verminderde prestatie door externe ruis fundamenteel verschilt van verminderde prestatie door een lage signaalsterkte wat betreft het vermogen van de hersenen om hun eigen onzekerheid in te schatten.

5. Bovengrens op Metacognitieve Sensitiviteit
Het artikel stelt vast dat $MI_e$ een theoretische bovengrens vormt voor de metacognitieve sensitiviteit (de nauwkeurigheid waarmee subjectieve zekerheid de prestatie volgt) die haalbaar is vanuit een specifieke neurale populatie-code alleen.

• Als de gedragsmatige metacognitieve sensitiviteit ($MI(\epsilon; c)$) kleiner is dan $MI_e$, impliceert dit een imperfecte toegang tot het onzekheidssignaal (bijv. door "metacognitieve ruis" of suboptimale inferentie).
• Als de gedragsmatige sensitiviteit groter is dan $MI_e$, impliceert dit toegang tot een aparte bron van informatie over onzekerheid (bijv. post-decisionele verwerking).

Betekenis

De auteurs stellen dat dit werk een coherent theoretisch fundament biedt voor het onderzoek naar de basis van metacognitie in neurale populatieactiviteit. Door de relatie tussen anciliaire informatie, niet-Gaussische foutverdelingen en de kromming van de Fisher-informatie te formaliseren, biedt het kader:

1. Een unificatie van beschrijvende modellen van langgerekte fouten (zoals het VP-model) met mechanistische populatie-coderingmodellen.
2. Verduidelijking dat vergelijkbare gedragspatronen in fouten kunnen voortkomen uit verschillende neurale ruisstructuren met verschillende inhoud van onzekerheidsinformatie, wat oproept tot voorzichtigheid bij modelselectie op basis van enkel foutverdelingen.
3. Een kwantificering van de grenzen van metacognitie afgeleid van sensorische representaties, wat een metriek biedt om te testen of de hersenen onzekerheid direct extraheren uit dezelfde populatieactiviteit die wordt gebruikt voor de schatting, of dat ze vertrouwen op aparte mechanismen.

Het artikel concludeert dat het evalueren van anciliaire informatie cruciaal is voor het onderscheiden van concurrerende modellen van sensorische codering en voor het begrijpen van hoe de hersenen onzekerheid representeren en benutten.