Resumo Técnico: Entropia de Transferência Simbólica de Polígonos Incorporados (EPSTE)

1. Declaração do Problema

Inferir interações direcionadas entre sistemas neurais a partir de dados de EEG e MEG continua sendo um desafio significativo devido ao ruído, à não estacionariedade e à alta complexidade de amostragem exigida pelos estimadores de teoria da informação. Embora a Entropia de Transferência (TE) ofereça uma medida fundamentada e livre de modelo de fluxo de informação direcionada, sua estimativa prática é instável em regimes de dados finitos, particularmente conforme as dimensões de incorporação (embedding) aumentam. Estimadores clássicos que dependem de amplitudes de sinais brutos sofrem com a "maldição da dimensionalidade", exigindo tamanhos de amostra exponencialmente grandes para estimar confiaavelmente distribuições de probabilidade condicional de alta dimensão.

Formulações simbólicas existentes de TE (ex: Entropia de Transferência Simbólica) melhoram a robustez ao discretizar os sinais, mas frequentemente dependem de alfabetos simbólicos limitados (ex: padrões ordinais) que restringem a capacidade expressiva do espaço de estados, podendo descartar informações morfológicas críticas, como curvatura e mudanças de magnitude. Além disso, abordagens recentes de aprendizagem profunda que tentam aproximar a TE frequentemente operam diretamente sobre amplitudes brutas ou distribuições implícitas, exigindo grandes conjuntos de dados e uma otimização cuidadosa para manter a estabilidade. Há uma necessidade de uma representação que reduza a complexidade de estimativa enquanto preserva a informação espaço-temporal e estrutural central para a TE.

2. Metodologia

2.1 O Framework EPSTE

O artigo introduz a Entropia de Transferência Simbólica de Polígonos Incorporados (EPSTE), um framework que reformula a estimativa de TE como um problema aprendível que opera sobre representações simbólicas estruturadas da morfologia temporal local, em vez de amplitudes de sinais brutos.

• Decomposição Geométrica: Séries temporais neurais são decompostas em sequências de primitivas geométricas derivadas de trios locais de amostras $(x_{t-1}, x_t, x_{t+1})$. Esses trios formam primitivas triangulares que codificam três aspectos complementares da estrutura da forma de onda:
  1. Área do Triângulo: Representando a magnitude da mudança.
  2. Ângulo/Orientação: Derivado de inclinações relativas, representando a mudança direcional.
  3. Mudança de Amplitude: Representando a magnitude relativa.
• Simbolização: Essas características geométricas contínuas são discretizadas em tokens categóricos usando bins globais baseados em quantis aprendidos a partir do conjunto de treinamento. Os três índices de bins são empacotados em um único token simbólico, criando um espaço de estados compacto, porém expressivo.
• Arquitetura Neural: Uma Rede Neural Recorrente (RNN) utilizando Unidades Recorrentes de Portão (GRUs) é empregada para modelar dependências temporais locais dentro de janelas deslizantes das sequências simbólicas transformadas.
• Aprendizagem de Múltiplas Instâncias (MIL): O modelo opera em "sacos" (bags) de janelas temporais simbólicas. Um mecanismo de agrupamento baseado em atenção agrega as representações de nível de janela em uma única previsão de nível de tentativa (trial), permitindo que a rede foque nos segmentos mais informativos da tentativa.
• Alvos de Treinamento: A rede é treinada para prever valores de TE validados por surrogados. Os rótulos de verdade fundamental (ground-truth) são gerados computando a TE Simbólica (STE) padrão a partir das primitivas geométricas usando um estimador de contagem conjunta com correção de viés de Miller–Madow.

2.2 Desenho Experimental

• Dados: Dados de MEG reconstruídos de fonte de cinco participantes (estudo psicodélico), parcelados usando o atlas AAL90 (90 regiões). Os dados foram pré-processados com filtragem notch e passa-baixa, subamostragem para 250 Hz e padronização (z-scoring).
• Comparação com Baseline: Um controle foi implementado usando um baseline simbólico padrão onde as amplitudes brutas de MEG foram discretizadas em símbolos categóricos usando regras de binning por quantis idênticas. Crucialmente, a arquitetura neural, hiperparâmetros, procedimento de otimização e divisões de dados foram mantidos constantes entre os modelos EPSTE (baseado em triângulos) e o baseline (baseado em amplitude) para isolar o efeito da representação de entrada.
• Avaliação: O desempenho foi avaliado em três escalas hierárquicas:
  1. Nível de janela: Dinâmicas locais.
  2. Nível de saco (Tentativa): Agregação através de tentativas.
  3. Nível de par: Agregação através de todas as tentativas para pares de canais direcionados (o desfecho primário).
• Validação: Testes de surrogados (randomização de fase) foram usados para verificar se as estimativas de TE refletiam uma estrutura direcionada genuína em vez de correlações espúrias.

3. Resultados Principais

3.1 A Agregação é Essencial

No nível de janela, tanto o EPSTE quanto o baseline exibiram alta variância e fraca correspondência com os valores de TE de verdade fundamental (EPSTE $r \approx 0,48$, Baseline $r \approx 0,52$). Isso confirma que janelas locais não codificam uma dependência direcionada estável isoladamente.

No entanto, a agregação através de tentativas e pares de canais gerou dependências direcionadas estáveis:

• Nível de saco (Tentativa): O EPSTE alcançou uma correlação forte ($r = ,86$, $R^2 = 0,74$) com a verdade fundamental, superando significativamente o baseline ($r = 0,68$, $R^2 = 0,46$).
• Nível de par (Desfecho Primário): O EPSTE alcançou uma recuperação quase perfeita da estrutura direcionada de verdade fundamental ($r \approx 0,99$, $R^2 \approx 0,98$). O baseline também melhorou com a agregação ($r \approx 0,98$), mas exibiu maior erro absoluto e compressão sistemática em direção à média.

3.2 Superioridade Quantitativa do EPSTE

• Redução de Erro: O EPSTE alcançou um erro absoluto significativamente menor que o baseline no nível de par (Erro Médio Absoluto: EPSTE $\approx 0,0018$ vs. Baseline $\approx 0,0034$).
• Significância Estatística: Um teste de postos sinalizados de Wilcoxon pareado confirmou que a redução no erro absoluto alcançada pelo EPSTE foi altamente significativa ($p \approx 2,9 \times 10^{-15}$).
• Fidelidade Estrutural: Mapas de calor de previsões de nível de par mostraram que o EPSTE preservou padrões coerentes e graduados de influência direcionada através da rede, enquanto o baseline produziu mapas comprimidos com menor contraste entre interações fortes e fracas.

3.3 Dinâmica de Aprendizado

O modelo EPSTE convergiu mais rapidamente e para um regime de perda substancialmente menor do que o baseline. Enquanto o baseline estagnou precocemente com um patamar de perda mais alto, o EPSTE continuou a extrair estrutura informativa, sugerindo que a representação geométrica facilita o aprendizado mais eficiente de dependências direcionadas.

4. Principais Contribuições

1. Representação Inovadora: Introdução do EPSTE, um framework que decompõe séries temporais em primitivas geométricas (triângulos) que codificam magnitude, curvatura e direção, as quais são então discretizadas em tokens simbólicos.
2. Demonstração do Impacto Representacional: Evidência empírica de que a estrutura representacional é um fator crítico para a aprendibilidade de dependências de informação teórica. O estudo demonstra que uma representação simbólica geométrica supera representações simbólicas baseadas em amplitude bruta na recuperação de estrutura causal direcionada, mesmo utilizando arquiteturas neurais e supervisão idênticas.
3. Framework de Inferência Multiescala: Validação de que estimativas causais estáveis em dados neurais ruidosos emergem apenas através de agregação hierárquica (de janelas para tentativas para pares), apoiando a visão de que a estrutura causal em sistemas neurais é distribuída e requer integração através do tempo para ser observada de forma confiável.

5. Significância e Alegações

O artigo alega que a geometria representacional desempenha um papel crítico para permitir a aprendibilidade prática de dependências de informação teórica.

• Além dos Estimadores: As descobertas desafiam a suposição de que modelos neurais podem superar limitações de representação apenas através de capacidade. Em vez disso, o estudo postula que "a representação precede o aprendizado": a capacidade de estimadores neurais de recuperar o fluxo de informação direcionada é fundamentalmente limitada por como a estrutura temporal é codificada.
• Equilíbrio entre Variância e Expressividade: O EPSTE oferece um compromisso principado entre riqueza representacional e tratabilidade computacional. Ao distribuir a informação através de múltiplas dimensões geométricas interpretáveis (área, ângulo, amplitude) dentro de uma única unidade simbólica, o método aumenta a separabilidade de estados sem exigir incorporações temporais de maior dimensão, mitigando assim a maldição da dimensionalidade.
• Mudança Metodológica: O artigo argumenta que a inferência causal em neuroimagem não deve ser tratada apenas como um problema de estimador. A escolha da representação é uma decisão metodológica de primeira ordem que condiciona qual estrutura causal pode ser aprendida. Em cenários de dados limitados e ruidosos, a inferência causal é limitada não apenas pelos estimadores, mas pela "linguagem" (representação) na qual a dinâmica temporal é descrita.

Limitações Reconhecidas:
Os autores observam que o estudo depende de supervisão baseada em surrogados, o que fornece uma definição operacional de TE em vez de uma verdade fundamental mecanística. Adicionalmente, a discretização específica (binning) foi fixa em vez de aprendida, e o intervalo de atraso temporal foi restrito a valores fisiologicamente plausíveis. O estudo não reivindica a recuperação de causalidade mecanística, mas sim de estrutura causal informacional ou preditiva.