On the Identifiability of User Adaptation in Co-Adaptive Neural Interfaces

Resumo Técnico: Sobre a Identificabilidade da Adaptação do Usuário em Interfaces Neurais Co-adaptativas

Definição do Problema
Este artigo aborda uma lacuna teórica crítica na análise de interfaces neurais co-adaptativas, construindo especificamente sobre o arcabouço experimental e teórico proposto recentemente por Madduri et al. [2]. Em sistemas co-adaptativos, um usuário humano e um decodificador de máquina se adaptam conjuntamente dentro de um loop fechado. Embora Madduri et al. tenham demonstrado que as taxas de aprendizado do decodificador e a regularização influenciam tanto o desempenho do sistema quanto o comportamento observado do usuário, este artigo argumenta que o design experimental existente sofre de um problema fundamental de identificabilidade.

A questão central é se a sequência de "encoders" estimados (modelos do usuário derivados via regressão linear) identifica unicamente o mecanismo latente de adaptação do usuário. Os autores postulam que, embora a metodologia atual recupere com sucesso a dinâmica conjunta de loop fechado, ela falha em isolar unicamente a política de adaptação do lado do usuário dos efeitos da evolução do decodificador e das distribuições de estado.

Metodologia e Arcabouço Teórico
O artigo formaliza o sistema co-adaptativo usando uma estrutura empírica compacta:

• Dinâmica do Sistema: Seja $x_t$ as variáveis da tarefa (ex: alvo e estado do cursor), $u_t$ a saída motora do usuário (EMG), e $y_t$ a saída controlada. O decodificador $D_t$ mapeia a saída motora para o movimento ($y_t = D_t u_t$). O usuário implementa uma política de controle desconhecida $U_t$, definida abstratamente como $u_t = U_t(x_t, \xi_t)$, onde $\xi_t$ representa ruído interno ou estados latentes.
• Procedimento de Estimação: O método empírico estima um "encoder" $\hat{E}_t$ sobre uma janela finita $W_t$ usando regressão linear: $\hat{E}_t = \arg \min_E \sum_{s \in W_t} \|u_s - E x_s\|^2$. O decodificador $D_t$ permanece fixo dentro de uma janela, mas atualiza-se entre as janelas.
• Análise de Identificabilidade: Os autores definem um mapeamento $M$ que leva a sequência de políticas latentes $\{U_t\}$, a trajetória do decodificador $\{D_t\}$ e o esquema de janelamento à sequência de encoders estimados $\{\hat{E}_t\}$. A questão central é se $M$ é injetiva em relação a $\{U_t\}$.

Resultado Principal: Teorema de Não-Identificabilidade
O artigo apresenta o Teorema 1, que estabelece a não-identificabilidade da adaptação do usuário sob regressão de loop fechado. O teorema afirma que, em um cenário geral de loop fechado onde o decodificador é variante no tempo e a dinâmica do estado depende do decodificador, o mapeamento das políticas do usuário para os encoders estimados não é injetivo.

A prova procede por construção, demonstrando dois sistemas observacionalmente equivalentes:

1. Sistema A (Usuário Fixo): Um usuário com uma política invariante no tempo $u_t = E^* x_t$. Devido ao decodificador variante no tempo $D_t$, a distribuição dos estados da tarefa $x_t$ evolui.
2. Sistema B (Usuário Variante no Tempo): Um usuário com uma política perturbada e variante no tempo $u_t = (E^* + \Delta_t) x_t$.

Os autores mostram que uma sequência de perturbações $\{\Delta_t\}$ pode ser construída de tal forma que os momentos empíricos conjuntos dentro de cada janela satisfaçam condições específicas (Equação 6). Sob estas condições, o estimador de regressão produz a sequência idêntica $\hat{E}_t = E^*$ para ambos os sistemas. Consequentemente, sequências distintas de políticas de usuário (uma fixa e outra variante) geram sequências de estimativa de encoder idênticas. Isso prova que mudanças em $\hat{E}_t$ não podem ser atribuídas unicamente a mudanças na política interna do usuário sem suposições adicionais ou condições de excitação.

Discussão e Interpretação
O artigo esclarece que os resultados experimentais de Madduri et al. [2] demonstram corretamente que manipulações da trajetória do decodificador afetam o comportamento conjunto do sistema e a sequência de encoders estimados. No entanto, devido ao resultado de não-identificabilidade, essas observações não determinam unicamente o objetivo interno do usuário, as dinâmicas de aprendizado ou as funções de custo.

Múltiplos modelos de usuário distintos — incluindo políticas fixas reagindo a mudanças nas distribuições de estado, regras de adaptação atrasadas ou estruturas de regularização alternativas — podem reproduzir as mesmas assinaturas empíricas observadas em $\hat{E}_t$. Portanto, o arcabouço identifica propriedades do sistema de loop fechado conjunto, mas não identifica unicamente a dinâmica de adaptação subjacente do usuário. Alegações sobre a previsão ou moldagem do comportamento humano devem ser interpretadas ao nível do sistema conjunto, e não do usuário isoladamente.

Significância e Extensões Propostas
Os autores enfatizam que esta limitação não é intrínseca ao próprio arcabouço co-adaptativo, mas é uma consequência do design experimental atual. O artigo sugere que identificar a adaptação do usuário requer uma estrutura adicional para quebrar a simetria entre mudanças na política do usuário e mudanças na distribuição de estado.

Abordagens propostas para alcançar a identificabilidade incluem:

• Perturbações Exógenas: Introduzir ruído independente (ex: entradas de sonda aleatórias $\tilde{D}_t = D_t + \delta_t$) para gerar excitação persistente independente das dinâmicas de loop fechado, separando assim a resposta do usuário dos efeitos da distribuição de estado.
• Formulações de Estado Latente: Adotar um modelo de espaço de estados (ex: $z_{t+1} = f(z_t, x_t, D_t)$) com restrições nas funções de dinâmica, permitindo a identificação sob condições padrão de observabilidade.
• Experimentos de Horizonte Mais Longo: Realizar experimentos sem reinicializações frequentes do decodificador para permitir a separação dos componentes de adaptação transitória e persistente.

Em conclusão, o artigo serve como um esclarecimento necessário para a interpretação de estudos de interfaces neurais co-adaptativas, instando para uma mudança da atribuição das variações do encoder apenas ao aprendizado do usuário para uma identificação mais rigorosa das dinâmicas do sistema de loop fechado conjunto.