[논문 리뷰] Moving Past the Minimum Information Partition: How To Quickly and Accurately Calculate Integrated Information

Daniel Toker, Friedrich T. Sommer|arXiv (Cornell University)|2016. 05. 03.

Functional Brain Connectivity Studies참고 문헌 21인용 수 11

한 줄 요약

이 논문은 계산적으로 비현실적인 최소 정보 분할(MIP) 대신 최대 모듈러리티 분할(MMP)과 원자적 분할을 사용하여 통합 정보(Φ)를 빠르고 정확하게 계산하는 방법을 제안한다. 실험 결과, 대규모 네트워크에서 MIP와 유사한 정확도를 확보하면서도 계산 시간을 수 시간에서 5초 이내로 단축시켰으며, 이는 실제 뇌 데이터에서 통합 정보 이론(IIT)을 실용적으로 검증할 수 있도록 한다.

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.

연구 동기 및 목표

• 대규모 신경망에서 최소 정보 분할(MIP)을 찾는 데 있어 계산적으로 비현실적인 문제를 해결하기 위해.
• 통합 정보를 계산하기 위한 더 빠르고 생물학적으로 더 타당한 MIP의 대안을 개발하기 위해.
• 최대 모듈러리티 분할(MMP)과 원자적 분할과 같은 새로운 분할 방식에서 통합 정보 측정치의 정확도와 속도를 평가하기 위해.
• 계산 시간을 단축하면서도 정확도를 유지함으로써 실제 뇌 데이터에서 통합 정보 이론(IIT)을 실용적이고 경험적으로 검증할 수 있도록 하기 위해.
• 시뮬레이션된 데이터에서 새로운 탐지 작업을 통해 다양한 분할 방식에서 여러 통합 정보 측정치의 성능을 비교하기 위해.

제안 방법

• 신경망의 모듈러 구조를 바탕으로 생물학적으로 타당한 MIP의 대안으로 최대 모듈러리티 분할(MMP)을 제안한다.
• 모듈러리티 최대화 알고리즘을 사용하여 MMP를 신속하게 식별함으로써 계산 효율성이 높고 대규모 네트워크에 스케일링 가능한 방법을 확보한다.
• 통합 정보 측정치가 네트워크 분할에 얼마나 민감한지 평가하기 위해 시뮬레이션된 네트워크에서 새로운 탐지 작업을 도입한다.
• 이론적으로 타당하고 음수 값을 갖지 않는 Φ* 측정치를 사용하여 MMP와 원자적 분할에 적용한다.
• 시뮬레이션된 시계열 데이터를 사용하여 MMP와 원자적 분할에서의 Φ*를 MIB 및 다른 측정치(CD, ΦAR)와 비교한다.
• 100개의 시뮬레이션된 네트워크에서 피어슨 상관계수와 통계적 유의성 검정(FDR 보정)을 사용하여 측정치 간 일관성을 평가한다.

실험 결과

연구 질문

• RQ1 최대 모듈러리티 분할(MMP)을 기반으로 한 통합 정보는 MIP와 유사한 정확도로 신뢰성 있게 계산될 수 있는가?
• RQ2 대규모 네트워크에서 MMP, 원자적 분할, MIB 간에 통합 정보 측정치의 계산 속도는 어떻게 달라지는가?
• RQ3 MIB에 비해 MMP는 뇌에서의 정보 통합을 모델링하는 데 더 생물학적으로 타당한 분할인가?
• RQ4 MMP와 원자적 분할에서 평가된 다양한 통합 정보 측정치(CD, Φ*, ΦAR) 간 상관계수는 어떻게 되는가?
• RQ5 MIP만큼이나 효과적으로 네트워크 분할 변화를 탐지할 수 있는가? MMP나 원자적 분할에서의 빠른 측정치 Φ*는 어떻게 되는가?

주요 결과

• MMP 또는 원자적 분할 기반의 Φ*는 MIP 기반 측정치와 높은 상관관계(r = 0.88***, r = 0.96***)를 보이며 강력한 정확도를 입증한다.
• 대규모 네트워크에서 MMP 또는 원자적 분할 기반의 Φ* 계산 시간은 5초 이내였고, MIB 기반의 CD 측정치는 네트워크 크기에 따라 성능이 급격히 떨어졌다.
• MMP와 원자적 분할은 MIP와 통합 정보 값이 유의미하게 상관관계가 있었으며, 유효한 대안임을 시사한다.
• 100개의 네트워크에서 Φ*는 MIB 기반 측정치와 강한 상관관계(r = 0.60***)를 보이며 다양한 분할에서의 안정성을 입증한다.
• 이론적 일관성 측면에서 Φ*는 ΦAR를 능가했으며, ΦAR는 음수 값을 생성하여 통합 정보가 음수가 될 수 없다는 가정과 모순된다.
• MMP는 뇌의 알려진 모듈러 기능적 구조와 일치하므로 MIB보다 더 생물학적으로 타당한 분할로 밝혀졌다.