[논문 리뷰] Gaussian Partial Information Decomposition: Bias Correction and Application to High-dimensional Data

Praveen Venkatesh, Corbett Bennett외 6명|arXiv (Cornell University)|2023. 07. 20.

Neural dynamics and brain functionNeuroscience인용 수 3

한 줄 요약

이 논문은 고차원 신경 데이터에서 고유, 중복 및 상호보완적 정보를 정확하게 추정할 수 있도록 다변량 정규분포에서 정확한 최적화를 활용한 효율적이고 편향 보정 방법을 제안한다. 이 방법은 표준 예제에서 참값을 회복하며, 자극이 행동적으로 중요할 때 시각 피질 영역 간의 중복성이 증가하는 것으로 드러난다.

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.

연구 동기 및 목표

• 고차원 신경 데이터에 대한 부분정보분해(PID)의 계산 불가능성과 통계적 편향 문제를 해결하기 위해.
• 가우시안 가정 하에 BROJA-PID(β-PID)를 추정하기 위한 효율적이고 정확한 방법을 개발하기 위해.
• 이전 문헌에서 다루지 않은 유한표본 편향을 보정하기 위해.
• 합성 가우시안 예제와 쥐 뇌 기록의 실제 신경 데이터에 대해 방법을 검증하기 위해.
• 자극이 행동적으로 중요할 때 시각 피질 영역 간의 중복성이 증가하는가를 보여주기 위해.

제안 방법

• 이 방법은 최적화 문제를 다항수준의 변수로 줄여 지수적 스케일링을 피함으로써 다변량 정규분포에서 β-PID를 계산한다.
• 정확한 볼록 최적화를 사용하여 PID 구성요소의 상한을 계산함으로써 계산 가능성과 수치 안정성을 보장한다.
• 공분산 행렬 추정에서의 유한표본 편향에 대한 분석적 근사 기반의 새로운 편향 보정 절차를 도입한다.
• 차원 감소를 유지하면서 임무 관련 정보를 보존하기 위해 신경 활동의 주성분에 적용한다.
• 기본 참값이 알려진 표준 가우시안 예제를 사용하여 추정치를 검증하고 표본 크기 변화에 따른 일관성 여부를 평가한다.
• 실제 신경 데이터는 42只의 쥐에서 확득한 자료로, 상위 10개 또는 상위 20개 주성분을 사용하였으며, 시간 빈도 간의 교차 영역 공분산 행렬에 대해 PID를 계산하였다.

실험 결과

연구 질문

• RQ1 고차원 가우시안 데이터에 대해 계산 및 통계적 과제를 해결하면서 효율적이고 정확한 PID 추정기를 개발할 수 있는가?
• RQ2 제안된 방법은 고차원에서도 알려진 참값을 정확히 회복하는가, 특히 표준 가우시안 PID 예제에서 그렇다면?
• RQ3 유한표본 편향이 PID 추정치에 어느 정도 영향을 미치며, 이를 효과적으로 보정할 수 있는가?
• RQ4 자극이 행동적으로 중요할 때 뇌 영역 간의 중복성은 PID로 측정하여 어떻게 변화하는가?
• RQ5 합성 설정에서 참값과의 일치를 통해, 이 방법이 비가우시안 신경 데이터로 일반화되는가?

주요 결과

• 제안된 방법은 고차원에서도 테스트된 모든 표준 가우시안 PID 예제에서 참값 PID 구성요소를 정확히 회복한다. 최대 차원 d=20에서도 성능이 유지된다.
• 편향 보정 절차는 특히 표본 수가 적은 영역에서 추정 편향을 크게 감소시키며, 재표본 추출에 의존하지 않으면서도 정확도를 향상시킨다.
• 실제 신경 데이터에서는 자극이 행동적으로 중요할 때 시각 피질 영역(VISl 및 VISal) 간의 중복성이 증가함을 시간 락된 PID 분석을 통해 확인하였다.
• 비가우시안 신경 데이터에서도 가우시안 PID 추정기는 참값과 밀도 있게 일치함을 보여, 분포의 이탈에 대해 강건함을 시사한다.
• 이 방법은 효율적으로 작동하며, 60×60 공분산 행렬 기준으로 평균 0.64초 내에 PID 추정이 가능하여 고차원 신경 데이터 분석에 널리 적용 가능하다.
• 표본 추출 실험을 통해 변화 조건와 비변화 조건 간 중복성의 관찰된 차이가 표본 크기나 잔여 편향의 산물이 아님을 확인하였다.