Quantifying the information about uncertainty in neural population codes

Problema

Populações neurais codificam variáveis sensoriais e motoras com ruído inerente, levando à incerteza nas representações internas. Embora estudos comportamentais confirmem que humanos e animais utilizam essa incerteza para guiar decisões (metacognição), o mecanismo pelo qual as populações neurais representam a incerteza permanece obscuro. Especificamente, não se compreende totalmente como a mesma atividade neural usada para decodificar uma variável (ex: orientação) também transmite informação sobre a confiabilidade dessa estimativa. Modelos anteriores, como o modelo de Precisão Variável (VP), vincularam erros de estimativa de cauda longa a flutuações de precisão, mas não identificaram formalmente a fonte neural dessa informação. Além disso, abordagens geométricas recentes atribuem erros não gaussianos à curvatura do manifold, mas não abordaram diretamente o conteúdo de informação referente à incerteza. O problema central é quantificar a "informação ancilar" — informação sobre a confiabilidade da estimativa contida na atividade neural além da própria estimativa pontual — e estabelecer sua relação com a não-gaussianidade (especificamente, as caudas pesadas) dos erros de estimativa.

Metodologia

Os autores desenvolvem um framework geral baseado em um modelo de codificação-decodificação onde uma população de $M$ neurônios codifica um estímulo $\theta$ com simetria de translação. Eles tratam o Estimador de Máxima Verossimilhança (MLE), $\hat{\theta}_r$, como o estimador pontual derivado da atividade neural $r$.

1. Framework Teórico:

   • Os autores decompõem a observação $r$ no MLE $\hat{\theta}_r$ e um estatístico ancilar $a_r$. O estatístico ancilar é probabilisticamente independente do parâmetro verdadeiro $\theta$, mas contém informação sobre a precisão do MLE.
   • Eles definem a distribuição marginal do erro de estimativa $\epsilon$ como uma mistura de funções de verossimilhança normalizadas, refletidas e recentralizadas, onde a forma dos componentes da mistura é determinada pelo estatístico ancilar.

2. Medidas de Quantificação:
   O artigo introduz duas medidas complementares para quantificar a informação ancilar:

   • Informação Mútua ($MI_e$): Uma medida baseada em entropia definida como a informação mútua entre o erro de estimativa $\epsilon$ e o estatístico ancilar $a_r$ (ou a resposta populacional completa $r$). É calculada como $MI_e = H(\epsilon) - H(\epsilon|a_r)$. Isso representa a redução da incerteza sobre o erro dada a resposta neural.
   • Perda de Informação de Fisher ($I_{loss}$): Uma medida baseada na diferença entre a Informação de Fisher (FI) Esperada contida na observação completa $r$ e a FI Esperada contida apenas no MLE $\hat{\theta}_r$ ($I_{loss} = I - I_{\hat{\theta}}$). É interpretada geometricamente como uma "divergência Jensen-Fisher" relacionada à curvatura do manifold estatístico.

3. Modelos e Simulações:

   • Os autores aplicam essas medidas a modelos específicos de populações neurais: ruído de Poisson, ruído Gaussiano (com transformação de estabilização de variância) e ruído de Poisson Modulado (incorporando flutuações de ganho compartilhadas).
   • Eles analisam os efeitos do ruído externo (ruído aditivo corrompendo o estímulo antes da codificação) versus o enfraquecimento da força do sinal interno (redução do ganho populacional).
   • As simulações utilizam uma população de $M=200$ neurônios com funções de ajuste de von Mises.

Principais Contribuições e Resultados

1. Relação entre Informação Ancilar e Não-Gaussianidade
Os autores demonstram que desvios da gaussianidade nos erros de estimativa, particularmente as caudas longas frequentemente observadas em dados comportamentais, são uma consequência direta da presença de informação ancilar.

• Quando o estatístico ancilar varia (indicando variabilidade de confiabilidade entre tentativas), a distribuição marginal do erro torna-se uma mistura de escala de verossimilhanças.
• Em um modelo sintético com verossimilhanças gaussianas onde a FI Observada segue uma distribuição Gamma, a distribuição de erro marginal converge para uma distribuição $t$ de Student. A "pesadez" das caudas é determinada diretamente pela variabilidade da FI Observada (quantificada por $I_{loss}$).

2. Distinção entre Modelos de Ruído
O artigo revela que diferentes modelos de ruído podem produzir padrões de erro de estimativa (distribuições marginais) quase idênticos, enquanto fornecem quantidades vastamente diferentes de informação ancilar.

• Poisson vs. Gaussiano: Aproximar o ruído de Poisson por ruído gaussiano (via transformação de estabilização de variância) preserva a Informação de Fisher Esperada e o formato geral das distribuições de erro. No entanto, a aproximação gaussiana subestima sistematicamente a informação ancilar ($I_{loss}$ e $MI_e$). Isso sugere que modelos gaussianos podem falhar em capturar todo o conteúdo de informação sobre a incerteza disponível em trens de disparos biológicos.
• Modulação de Ganho: Introduzir flutuações de ganho compartilhadas (sobredispersão) em um modelo de Poisson aumenta a informação ancilar ($I_{loss}$ e $MI_e$) monotonicamente, embora a FI Esperada e os padrões gerais de erro permaneçam amplamente inalterados. Isso destaca que as correlações interneuronais induzidas pela modulação de ganho carregam informação significativa sobre a incerteza.

3. Dissociação entre $I_{loss}$ e $MI_e$
As duas medidas de informação ancilar, embora correlacionadas, exibem comportamentos distintos:

• $I_{loss}$ (baseada em Fisher) aumenta monotonicamente com a concentração de ajuste ($\kappa$) e a modulação de ganho.
• $MI_e$ (baseada em entropia) exibe uma relação em forma de U invertido com $I_{loss}$ quando a FI Esperada é mantida constante. $MI_e$ aproxima-se de zero quando $I_{loss}$ é muito baixo (verossimilhanças são idênticas) e quando $I_{loss}$ é muito alto (verossimilhanças são extremamente divergentes, dominadas por observações de baixa certeza).
• Essa dissociação permite que o $MI_e$ diferencie modelos (ex: Gaussiano vs. Poisson Modulado) que são indistinguíveis baseados apenas na Informação de Fisher.

4. Ruído Externo vs. Enfraquecimento de Sinal
Os autores mostram que o ruído externo (corrompendo o estímulo) e o enfraquecimento do sinal interno (reduzindo o ganho) têm efeitos diferentes na informação ancilar:

• Ambos aumentam a variabilidade do erro de estimativa.
• No entanto, o ruído externo reduz significativamente a informação ancilar ($I_{loss}$ e $MI_e$) porque adiciona incerteza sem fornecer um sinal sobre essa incerteza.
• O enfraquecimento da força do sinal (no modelo de Poisson) não reduz a perda de informação assintótica ($I_{loss}^\infty$) e pode, de fato, aumentar o $MI_e$ em certos regimes (padrão de U invertido). Isso sugere que a redução de desempenho devido ao ruído externo é fundamentalmente diferente da redução de desempenho devido à baixa força de sinal no que diz respeito à capacidade do cérebro de avaliar sua própria incerteza.

5. Limite Superior de Sensibilidade Metacognitiva
O artigo estabelece que o $MI_e$ quantifica um limite superior teórico na sensibilidade metacognitiva (a precisão com que a confiança subjetiva rastreia o desempenho) alcançável a partir de um código de população neural específico.

• Se a sensibilidade metacognitiva comportamental ($MI(\epsilon; c)$) for menor que o $MI_e$, isso implica acesso imperfeito ao sinal de incerteza (ex: devido a "ruído metacognitivo" ou inferência subótima).
• Se a sensibilidade comportamental exceder o $MI_e$, isso implica acesso a uma fonte separada de informação sobre a incerteza (ex: processamento pós-decisional).

Significância

Os autores afirmam que este trabalho fornece uma base teórica coerente para investigar a base da metacognição na atividade de populações neurais. Ao formalizar a relação entre informação ancilar, distribuições de erro não-gaussianas e a curvatura da informação de Fisher, o framework:

1. Unifica modelos descritivos de erros de cauda longa (como o modelo VP) com modelos mecanísticos de codificação populacional.
2. Esclarece que padrões de erro comportamental semelhantes podem surgir de estruturas de ruído neural distintas com diferentes conteúdos de informação de incerteza, alertando para a cautela na seleção de modelos baseada apenas em distribuições de erro.
3. Quantifica os limites da metacognição derivados de representações sensoriais, oferecendo uma métrica para testar se o cérebro acessa a incerteza diretamente da mesma população neural usada para a estimativa ou se depende de mecanismos separados.

O artigo conclui que avaliar a informação ancilar é crucial para distinguir entre modelos concorrentes de codificação sensorial e para compreender como o cérebro representa e utiliza a incerteza.