[論文レビュー] Moving Past the Minimum Information Partition: How To Quickly and Accurately Calculate Integrated Information

Daniel Toker, Friedrich T. Sommer|arXiv (Cornell University)|May 3, 2016

Functional Brain Connectivity Studies参考文献 21被引用数 11

ひとこと要約

本稿では、計算的に非現実的な最小情報分割（MIP）の代わりに、最大モジュラリティ分割（MMP）および原子分割を用いた統合情報（Φ）の高速かつ正確な計算手法を提案する。実験では、MMP や原子分割を用いて計算された Φ* が、MIP と同等の精度を示す一方で、大規模ネットワークにおいて計算時間を数時間から5秒未塔に短縮することを示した。これにより、実脳データにおける統合情報理論（IIT）の実証的検証が可能になった。

ABSTRACT

An outstanding challenge with the Integrated Information Theory of Consciousness (IIT) is to find a way of rapidly and accurately calculating integrated information from neural data. A number of measures of integrated information based on time series data have been proposed, but most measures require finding the Minimum Information Partition of a network, which is computationally expensive and not practical for real brain data. Here, we introduce a novel partition, the Maximum Modularity Partition, across which to quickly calculate integrated information. We also introduce a novel detection task on simulated data to evaluate the performance of integrated information measures across different partitions. We show that integrated information can be reliably and quickly calculated across the Maximum Modularity Partition, as well as the previously proposed atomic partition, even in relatively large networks, which constitutes an advance in researchers' ability to empirically test the predictions of IIT in real brain data.

研究の動機と目的

• 大規模神経ネットワークにおける最小情報分割（MIP）の計算的非現実性を解決すること。
• 統合情報を計算するための、より高速で生物学的に現実的であるMIPの代替手法を開発すること。
• 最大モジュラリティ分割（MMP）や原子分割といった新たな分割法における統合情報測定の正確性と速度を評価すること。
• 計算時間を短縮しながら正確性を保持することで、実脳データにおける統合情報理論（IIT）の実用的かつ実証的検証を可能にすること。
• シミュレートされたデータを用いた新しい検出タスクを通じて、複数の統合情報測定法が異なる分割法においてどのように性能を発揮するかを比較すること。

提案手法

• 神経ネットワークのモジュラー構造に基づき、生物学的に現実的であるとされる最大モジュラリティ分割（MMP）をMIPの代替として提案する。
• モジュラリティ最大化アルゴリズムを用いてMMPを迅速に特定し、大規模ネットワークへの計算的効率性とスケーラビリティを確保する。
• 統合情報測定法のネットワーク分割への感受性を評価するため、シミュレートされたネットワーク上に新しい検出タスクを設定する。
• 理論的に整合性があり、負の値をとらない Φ* 測定法を、MMP および原子分割に適応・適用する。
• シミュレートされた時系列データを用いて、MMP や原子分割における Φ* をMIBおよび他の測定法（CD、ΦAR）と比較する。
• ピアソン相関およびFDR補正を用いた統計的有意性検定を実施し、100個のシミュレートされたネットワークにおいて測定法間の整合性を評価する。

実験結果

リサーチクエスチョン

• RQ1 最大モジュラリティ分割（MMP）を用いて統合情報を信頼性高く計算できるか？その精度はMIPと同等であるか？
• RQ2 大規模ネットワークにおいて、MMP、原子分割、およびMIBにおける統合情報測定の計算速度はどのように異なるか？
• RQ3 MMPは、脳における情報統合をモデル化する上でMIBよりも生物学的に現実的であると見なせるか？
• RQ4 MMP や原子分割を用いて評価された場合、異なる統合情報測定法（例：CD、Φ*、ΦAR）の相関関係はどのようになるか？
• RQ5 MMP や原子分割を用いた高速な測定法（例：Φ*）は、MIPと同等にネットワーク分割の変化を検出できるか？

主な発見

• MMP や原子分割を用いて計算された Φ* は、MIPに基づく測定と高い相関を示した（r = 0.88***, r = 0.96***）、精度が高く保証された。
• 大規模ネットワークにおいて、MMP や原子分割を用いた Φ* の計算時間は5秒未塔に短縮されたのに対し、MIBに基づくCD測定法はネットワークサイズの増大に伴い性能が著しく低下した。
• MMP や原子分割はMIPと有意に相関する統合情報値を生成したため、有効な代替法であると示された。
• 100のネットワークにおいて、Φ* はMIBに基づく測定と強い相関（r = 0.60***）を示し、異なる分割法間でも安定性が確認された。
• 理論的整合性において、Φ* はΦARを上回った。ΦARは負の値を生成するが、これは統合情報が負であるという仮定に反する。
• MMP は、脳の既知のモジュラー機能的構造と整合することから、MIBよりも生物学的に現実的であると判明した。