[論文レビュー] Gaussian Partial Information Decomposition: Bias Correction and Application to High-dimensional Data

Praveen Venkatesh, Corbett Bennett+6 more|arXiv (Cornell University)|Jul 20, 2023

Neural dynamics and brain functionNeuroscience被引用数 3

ひとこと要約

本稿では、多次元ガウス分布における正確な最適化を用いて、ガウス型部分情報分解（PID）を効率的かつバイアス補正可能な方法で計算する手法を提案する。この手法により、高次元神経データにおける固有情報、重複情報、協同的情報の正確な推定が可能になる。本手法は標準的な例において真値を回復し、被験者が刺激に注意を向ける際、視覚皮質領域間の重複情報が増加することを明らかにする。

ABSTRACT

Recent advances in neuroscientific experimental techniques have enabled us to simultaneously record the activity of thousands of neurons across multiple brain regions. This has led to a growing need for computational tools capable of analyzing how task-relevant information is represented and communicated between several brain regions. Partial information decompositions (PIDs) have emerged as one such tool, quantifying how much unique, redundant and synergistic information two or more brain regions carry about a task-relevant message. However, computing PIDs is computationally challenging in practice, and statistical issues such as the bias and variance of estimates remain largely unexplored. In this paper, we propose a new method for efficiently computing and estimating a PID definition on multivariate Gaussian distributions. We show empirically that our method satisfies an intuitive additivity property, and recovers the ground truth in a battery of canonical examples, even at high dimensionality. We also propose and evaluate, for the first time, a method to correct the bias in PID estimates at finite sample sizes. Finally, we demonstrate that our Gaussian PID effectively characterizes inter-areal interactions in the mouse brain, revealing higher redundancy between visual areas when a stimulus is behaviorally relevant.

研究の動機と目的

• 高次元神経データにおける部分情報分解（PID）の計算不能性と統計的バイアスの問題に対処すること。
• ガウス分布の仮定の下で、BROJA-PID（β-PID）を効率的かつ正確に推定する手法を開発すること。
• 文献でこれまで未解決であった、有限標本バイアスの補正をすること。
• 合成ガウス例とマウス脳記録の実神経データの両方で、手法を検証すること。
• 被験的に関連のある刺激の際、視覚皮質領域間の重複情報が増加することを示すこと。

提案手法

• 本手法は、最適化問題を変数の二次関数的数に削減することで、指数的スケーリングを回避し、多次元ガウス分布におけるβ-PIDを計算する。
• 正確な凸最適化を用いてPID成分の上界を計算し、計算の可能性と数値的安定性を保証する。
• 共分散行列推定における有限標本バイアスの解析的近似に基づく、新しいバイアス補正手順を導入する。
• 次元削減を保ちつつタスク関連情報を維持するため、神経活動の主成分に本手法を適用する。
• 真値が既知の標準的なガウス例を用いて推定値を検証し、標本サイズにわたる一貫性を評価する。
• 42匹のマウスからの実神経データを、上位10個または上位20個の主成分を用いて分析し、時間チャンクごとの領域間共分散行列に対してPIDを計算する。

実験結果

リサーチクエスチョン

• RQ1 計算的・統計的課題を克服し、高次元ガウスデータに対して効率的かつ正確なPID推定器を開発できるか？
• RQ2 提案手法は、高次元でも標準的なガウスPID例の真値を回復できるか？
• RQ3 有限標本バイアスはPID推定にどの程度影響を及ぼし、効果的に補正可能か？
• RQ4 被験的に関連のある刺激の際、脳領域間の重複情報はどのように変化するか（PIDで測定した場合）？
• RQ5 合成設定における真値との整合性から、非ガウス神経データに対しても本手法が一般化可能か？

主な発見

• 提案手法は、高次元（最大d=20）でも、テストしたすべての標準的なガウスPID例において真値のPID成分を正確に回復した。
• バイアス補正手順により、特に標本数が少ない状況で推定バイアスが顕著に低減され、リサンプリングに依存せずに精度が向上した。
• 実神経データにおいて、視覚皮質領域（VISlとVISal）間の重複情報は、被験的に関連のある刺激の際、時系列ロックされたPID解析によって増加した。
• 非ガウス神経データに対しても、ガウス型PID推定器は真値とよく一致しており、分布のずれに対しても頑健であることが示された。
• 本手法は効率的に動作し、60×60共分散行列あたりのPID推定に平均0.64秒で処理が可能であり、神経データの大規模解析が可能になった。
• サブサンプリング実験により、変化条件と非変化条件における重複情報の差が、標本サイズや残存バイアスのアーティファクトではないことが確認された。