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

Resumo Técnico: A inferência de estados ocultos alinha a atenção e a geometria representacional neural durante o comportamento flexível

Problema
A tomada de decisão flexível em ambientes incertos exige a capacidade de inferir estados latentes da tarefa e priorizar informações que sejam comportamentalmente relevantes. Embora modelos de aprendizagem por reforço (RL) tenham sido tradicionalmente usados para explicar o comportamento adaptativo, eles frequentemente têm dificuldade em explicar mudanças rápidas de contexto onde as regras subjacentes do ambiente mudam. O problema central abordado é compreender os mecanismos computacionais e neurais que permitem aos seres humanos identificar quais dimensões do estímulo são atualmente relevantes, adaptar-se a mudanças de contexto e como esses processos cognitivos se refletem tanto na alocação da atenção quanto na estrutura representacional neural.

Metodologia
O estudo empregou uma abordagem multimodal combinando modelagem comportamental, rastreamento oculomotor e neuroimagem:

• Design da Tarefa: Participantes humanos realizaram uma tarefa de aprendizagem de reversão serial. Neste paradigma, os participantes tinham que identificar qual dimensão do estímulo era atualmente preditiva de recompensas, exigindo que inferissem o estado latente do ambiente conforme este mudava.
• Modelagem Comportamental: Os autores compararam um modelo de inferência de estado oculto contra múltiplas variantes de aprendizagem por reforço. O modelo de estado oculto foi avaliado por sua capacidade de prever tanto as escolhas dos participantes quanto seus contextos inferidos.
• Rastreamento Oculomotor: Movimentos oculares foram registrados para fornecer evidências convergentes para a atenção seletiva. As métricas incluíram a concentração do olhar em características relevantes, o acompanhamento das atualizações de crença tentativa a tentativa e a dinâmica do seguimento do olhar após altos erros de predição.
• Neuroimagem: A magnetoencefalografia (MEG) foi utilizada para examinar os correlatos neurais da inferência de estado latente. A análise focou em como a atividade neural codificou o contexto inferido e como ela foi modulada por erros de predição recentes.
• Análise Representacional: O estudo empregou análise de geometria representacional para investigar a estrutura das representações neurais, especificamente buscando mudanças na distância entre padrões neurais que representam diferentes valores de estímulo.

Principais Resultados

• Adaptação Comportamental: Os participantes se adaptaram rapidamente às mudanças de contexto. O modelo de inferência de estado oculto forneceu a melhor explicação para essas adaptações, superando significativamente várias variantes de RL na predição de tanto escolhas quanto contextos inferidos.
• Dinâmica Atencional: Dados oculomotores confirmaram que o olhar tornou-se cada vez mais concentrado em características comportamentalmente relevantes. Esse foco atencional acompanhou as atualizações de crença tentativa a tentativa. Notavelmente, após altos erros de predição, os padrões de olhar ampliaram-se transitoriamente, sugerindo um alargamento temporário do escopo atencional.
• Codificação Neural: Representações neurais codificaram com sucesso o contexto atualmente inferido. Essas representações foram moduladas por erros de predição recentes; especificamente, erros de predição maiores foram associados a representações de contexto mais fracas na tentativa subsequente.
• Reorganização da Geometria Neural: O desempenho bem-sucedido foi vinculado a uma reorganização sistemática da geometria representacional neural. Essa reorganização foi caracterizada pela amplificação seletiva das distâncias representacionais para características relevantes à tarefa e um aumento na separação de valores de estímulo comportamentalmente relevantes.

Principais Contribuições
O artigo fornece um relato de nível de sistema sobre a tomada de decisão flexível ao demonstrar que a inferência de estado latente, a atenção e a geometria representacional neural estão intimamente coordenadas. Ele estabelece que:

1. A inferência de estado oculto é um framework computacional superior para explicar a rápida adaptação comportamental em ambientes incertos em comparação com modelos padrão de RL.
2. O comportamento oculomotor serve como um marcador direto, tentativa a tentativa, de atualizações de crença e alocação de atenção durante a mudança de contexto.
3. A geometria representacional neural não é estática, mas se reorganiza dinamicamente para apoiar o comportamento adaptativo, especificamente ao amplificar a distinção neural entre valores de estímulo relevantes quando o desempenho é bem-sucedido.

Significância
Os autores afirmam que suas descobertas elucidam como informações comportamentalmente relevantes são priorizadas seletivamente e representadas para apoiar o comportamento adaptativo. Ao vincular modelos computacionais de inferência de estado latente com assinaturas oculomotoras específicas e mudanças dinâmicas na geometria representacional neural, o estudo oferece um mecanismo abrangente de como o cérebro gerencia a incerteza e mantém a flexibilidade na tomada de decisão. O trabalho sugere que o cérebro não apenas atualiza estimativas de valor, mas reestrutura ativamente seu espaço representacional interno para se alinhar com o contexto da tarefa inferido.