Quantifying the information about uncertainty in neural population codes

论文技术摘要：量化神经群体编码中的不确定性信息

问题陈述

神经群体在编码感觉和运动变量时存在内在噪声，导致内部表示中存在不确定性。虽然行为学研究证实人类和动物利用这种不确定性来指导决策（元认知），但神经群体如何表示不确定性的机制仍不清楚。具体而言，目前尚不完全理解用于解码变量（如方向）的相同神经活动，是如何同时传递关于该估计可靠性的信息的。以往的模型（如可变精度（VP）模型）将长尾估计误差与波动的精度联系起来，但尚未正式识别出这种信息的神经来源。此外，近期的几何方法将非高斯误差归因于流形曲率，但尚未直接探讨关于不确定性的信息含量。核心问题在于如何量化“辅助信息”（即在点估计之外，神经活动中所包含的关于估计可靠性的信息），并建立其与估计误差的非高斯性（特别是重尾特性）之间的关系。

方法论

作者开发了一个基于编码-解码模型的通用框架，其中由 $M$ 个神经元组成的群体以平移对称性编码刺激 $\theta$。他们将最大似然估计（MLE）$\hat{\theta}_r$ 视为源自神经活动 $r$ 的点估计量。

1. 理论框架：

   • 作者将观测值 $r$ 分解为 MLE $\hat{\theta}_r$ 和一个辅助统计量 $a_r$。辅助统计量在概率上独立于真实参数 $\theta$，但包含了关于 $\hat{\theta}_r$ 准确性的信息。
   • 他们将估计误差 $\epsilon$ 的边缘分布定义为归一化、反射和重心的似然函数的混合，其中混合成分的形状由辅助统计量决定。

2. 量化度量：
   论文引入了两个互补的度量来量化辅助信息：

   • 互信息 ($MI_e$)： 一种基于熵的度量，定义为估计误差 $\epsilon$ 与辅助统计量 $a_r$（或全群体响应 $r$）之间的互信息。其计算公式为 $MI_e = H(\epsilon) - H(\epsilon|a_r)$。这代表了给定神经响应后，关于误差的不确定性减少量。
   • 费舍尔信息损失 ($I_{loss}$)： 一种基于全观测 $r$ 中包含的期望费舍尔信息（FI）与仅由 $\hat{\theta}_r$ 包含的期望 FI 之差的度量（$I_{loss} = I - I_{\hat{\theta}}$）。在几何上，这被解释为与统计流形曲率相关的“詹森-费舍尔散度”（Jensen-Fisher divergence）。

3. 模型与模拟：

   • 作者将这些度量应用于特定的神经群体模型：泊松噪声、高斯噪声（带有方差稳定变换）以及调制泊松噪声（结合了共享增益波动）。
   • 他们分析了外部噪声（在编码前腐蚀刺激的加性噪声）与削弱内部信号强度（降低群体增益）的影响。
   • 模拟使用具有 von Mises 调谐函数的 $M=200$ 个神经元群体进行。

核心贡献与结果

1. 辅助信息与非高斯性之间的关系
作者证明，估计误差中偏离高斯性的现象（特别是行为数据中经常观察到的长尾现象）是存在辅助信息的直接推论。

• 当辅助统计量发生变化时（表明不同试次间的可靠性在变化），边缘误差分布变为似然函数的尺度混合。
• 在一个具有高斯似辖且观测 FI 服从 Gamma 分布的合成模型中，边缘误差分布收敛于 Student's $t$ 分布。误差分布的“重尾”程度直接由观测 FI 的变异性（通过 $I_{loss}$ 量化）决定。

2. 噪声模型的区分
论文揭示了不同的噪声模型可以产生几乎相同的估计误差模式（边缘分布），但提供的辅助信息量却大相径庭。

• 泊松噪声 vs. 高斯噪声： 用高斯噪声（通过方差稳定变换）近似泊松噪声会保留期望费舍尔信息和误差分布的一般形状。然而，高斯近似系统地低估了辅助信息（$I_{loss}$ 和 $MI_e$）。这表明高斯模型可能无法捕捉到生物脉冲序列中可用的关于不确定性的完整信息。
• 增益调制： 在泊松模型中引入共享增益波动（过度离散）会单调增加辅助信息（$I_{loss}$ 和 $MI_e$），尽管期望 FI 和一般误差模式基本保持不变。这突显了由增益调制引起的神经元间相关性携带了关于不确定性的重要信息。

3. $I_{loss}$ 与 $MI_e$ 的解离
这两个辅助信息度量虽然相关，但表现出截然不同的行为：

• $I_{loss}$（基于费舍尔的）随调谐浓度（$\kappa$）和增益调制单调增加。
• $MI_e$（基于熵的）在期望 FI 保持不变时，与 $I_{loss}$ 呈现倒 U 型关系。当 $I_{loss}$ 非常低（似然函数一致）或 $I_{loss}$ 非常高（似然函数极其发散，由低确定性观测主导）时，$MI_e$ 趋于零。
• 这种解离使得 $MI_e$ 能够区分那些基于费舍尔信息本身无法区分的模型（例如高斯模型与调制泊松模型）。

4. 外部噪声 vs. 信号削弱
作者展示了外部噪声（腐蚀刺激）和内部信号削弱（降低增益）对辅助信息有不同的影响：

• 两者都会增加估计误差的变异性。
• 然而，外部噪声显著降低了辅助信息（$I_{loss}$ 和 $MI_e$），因为它增加了不确定性，却并未提供关于该不确定性的信号。
• 削弱信号强度（在泊松模型中）不会减少渐近信息损失（$I_{loss}^\infty$），并且在某些区间内实际上会增加 $MI_e$（呈现倒 U 型模式）。这表明，由于外部噪声导致的性能下降，在关于大脑评估自身不确定性的能力方面，与由于信号强度降低导致的性能下降有着本质的区别。

5. 元认知敏感度的上限
论文确立了 $MI_e$ 量化了从特定神经群体编码中可获得的元认知敏感度（即主观置信度追踪表现的准确度）的理论上限。

• 如果行为元认知敏感度（$MI(\epsilon; c)$）小于 $MI_e$，则意味着对不确定性信号的访问是不完美的（例如由于“元认知噪声”或次优推理）。
• 如果行为敏感度超过 $MI_e$，则意味着存在对不确定性信息的其他来源（例如决策后处理过程）。

重要意义

作者声称这项工作为研究神经群体活动中元认知的基础提供了连贯的理论基础。通过将辅助信息、非高斯误差分布和费舍尔信息曲率联系起来，该框架：

1. 统一了描述性的长尾误差模型（如 VP 模型）与机械性的群体编码模型。
2. 澄清了相似的行为误差模式可以由具有不同不确定性信息含量的不同神经噪声结构产生，从而警示不要仅根据误差分布进行模型选择。
3. 量化了源自感觉表示的元认知极限，提供了一个指标来测试大脑是直接从用于估计的同一群体活动中获取不确定性，还是依赖于独立的机制。

论文总结道，评估辅助信息对于区分竞争性的感觉编码模型以及理解大脑如何表示和利用不确定性至关重要。