[論文レビュー] Neural tuning and representational geometry

Nikolaus Kriegeskorte, Xue-Xin Wei|arXiv (Cornell University)|Apr 20, 2021

Neural dynamics and brain function参考文献 255被引用数 8

ひとこと要約

この論文は、個々のニューロンの応答様式（ニューロンのチューニング）と、集団応答の多次元的構造（表象幾何学）を結びつける理論的枠組みを確立する。チューニングが幾何学を形作るが、異なるチューニングプロファイルが同一の幾何学を生じさせることを示しており、その幾何学が線形デコーダーによる情報解釈可能性、フィッシャー情報量、相互情報量、および心理物理学的タスクにおける行動的パフォーマンスを決定づける。

ABSTRACT

A central goal of neuroscience is to understand the representations formed by brain activity patterns and their connection to behavior. The classical approach is to investigate how individual neurons encode the stimuli and how their tuning determines the fidelity of the neural representation. Tuning analyses often use the Fisher information to characterize the sensitivity of neural responses to small changes of the stimulus. In recent decades, measurements of large populations of neurons have motivated a complementary approach, which focuses on the information available to linear decoders. The decodable information is captured by the geometry of the representational patterns in the multivariate response space. Here we review neural tuning and representational geometry with the goal of clarifying the relationship between them. The tuning induces the geometry, but different sets of tuned neurons can induce the same geometry. The geometry determines the Fisher information, the mutual information, and the behavioral performance of an ideal observer in a range of psychophysical tasks. We argue that future studies can benefit from considering both tuning and geometry to understand neural codes and reveal the connections between stimulus, brain activity, and behavior.

研究の動機と目的

• 神経コードにおけるニューロンのチューニングと表象幾何学の関係を明確化すること。
• 集団応答パターンから導かれる表象幾何学が、線形デコーダーが利用可能な情報を決定づけることの証明。
• 異なるチューニングプロファイルが同じ表象幾何学を引き起こす可能性があることの示唆により、幾何学がチューニング単体よりも神経コードの記述においてより根本的であることを示すこと。
• 脳の表象と行動を理解するための神経科学的双対的視点を提唱すること。
• 特に非一様な事前分布や報酬構造が存在する状況において、幾何学が知覚、意思決定、行動に関連する情報を捉える役割を果たすことを強調すること。

提案手法

• 微小な刺激変化に対する神経応答の感度を定量化するためのフィッシャー情報量を用い、チューニングカーブと結びつける。
• 特定の刺激変数が集団応答からどの程度正確に読み出せるかを評価するため、線形デコーディング解析を適用する。
• 多次元空間における応答パターン間の対比較の不一致度を用いて表象幾何学を定義し、それを表象不一致行列（RDM）として構成する。
• ノイズ構造（例えば非等方的、非ガウス的）が、表象空間におけるユークリッド幾何学の有効性に与える影響を分析する。
• ノイズが非ガウス的である場合には、バタチャリャ距離や対称化されたカルバック・ライブラー情報量の代替的不一致尺度を検討する。
• 多様体学習や潜在空間アプローチを用いて、ノイズ仮定が満たされない場合の幾何学の回復を検討し、識別可能性との単調関係を保持する。

Figure 1: Neuronal tuning determines representational geometry . Each row shows a specific configuration of the neural code for encoding a circular variable, such as orientation. Each column shows a particular way to characterize the neural code. The first two columns show traditional tuning-based c

実験結果

リサーチクエスチョン

• RQ1 ニューロンのチューニングは、脳における集団的表象の幾何学にどのように影響するか？
• RQ2 異なるチューニングプロファイルが同じ表象幾何学を生じさせ得るか？
• RQ3 表象幾何学が、線形および非線形デコーダーが利用可能な情報にどの程度決定的か？
• RQ4 非一様な事前分布や報酬構造は、神経コードにおける表象幾何学をどのように形作るか？
• RQ5 複雑なノイズ条件下で、潜在空間表現は識別可能性を保持し、神経応答パターンの真の幾何学を反映できるか？

主な発見

• 異なるチューニングを持つニューロン集合が同一の表象幾何学を生じさせることから、幾何学がチューニング単体よりも神経コードの記述においてより不変的であることが示唆される。
• 表象幾何学は、心理物理学的タスクにおける理想観測者におけるフィッシャー情報量、相互情報量、行動的パフォーマンスを完全に決定づける。
• ノイズ構造、特に非等方的または非ガウス的である場合、表象空間における標準的なユークリッド幾何学が無効になる可能性があり、代替的な不一致尺度の導入が不可欠である。
• 多様体学習や潜在空間モデリングは、ノイズ仮定が破綻した場合の幾何学の特徴付けに有望な代替手段を提供する。
• 表象幾何学は、環境の統計的規則性と行動的要請を反映しており、学習の過程で生じるものであり、純粋にハードワイヤードではない可能性がある。
• 神経的表象の幾何学は、認知科学における概念的空間と関連している可能性があり、神経的および認知的表象理論の間の橋渡しとなる可能性を示唆する。

Figure 2: The relationship between manifold geometry, Fisher information, and mutual information. This toy simulation illustrates the encoding of a one-dimensional stimulus space by six different neural codes (a-f). The neural population comprises only two neurons, whose activities define the horizo