[论文解读] 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 3

一句话总结

该论文提出了一种高效且偏差校正的高斯部分信息分解（PID）计算方法，通过在多元高斯分布上进行精确优化，实现了对高维神经数据中独特、冗余和协同信息的准确估计。该方法在典型示例中恢复了真实值，并揭示了当刺激具有行为相关性时，视觉皮层区域之间的冗余性增加。

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.

研究动机与目标

• 解决高维神经数据中部分信息分解（PID）的计算不可行性和统计偏差问题。
• 在高斯假设下，开发一种高效且准确的BROJA-PID（β-PID）估计方法。
• 校正PID估计中的有限样本偏差，这一问题此前在文献中尚未被探索。
• 在合成高斯示例和小鼠脑记录的真实神经数据上验证该方法。
• 证明当刺激具有行为相关性时，视觉皮层区域之间的冗余性增加。

提出的方法

• 该方法通过将优化问题简化为二次数量级的变量，避免指数级扩展，在多元高斯分布上计算β-PID。
• 采用精确凸优化计算PID分量的上界，确保计算可行性与数值稳定性。
• 提出一种新颖的偏差校正程序，基于协方差矩阵估计中有限样本偏差的解析近似。
• 该方法应用于神经活动的主成分，降低维度的同时保留与任务相关的信息。
• 通过已知真实值的典型高斯示例验证估计结果，并评估不同样本规模下的一致性。
• 对42只小鼠的神经数据进行分析，使用前10或前20个主成分，基于时间窗内跨区域协方差矩阵计算PID。

实验结果

研究问题

• RQ1 能否为高维高斯数据开发一种高效且准确的PID估计器，以克服计算与统计挑战？
• RQ2 所提出的方法是否能在高维情况下（甚至高达d=20）准确恢复典型高斯PID示例中的真实值？
• RQ3 有限样本偏差在多大程度上影响PID估计？是否能有效校正？
• RQ4 当刺激具有行为相关性时，脑区间冗余性如何变化（通过PID测量）？
• RQ5 该方法是否能推广至非高斯神经数据？在合成设置中与真实值的一致性是否支持这一点？

主要发现

• 所提出的方法在所有测试的典型高斯PID示例中均准确恢复了真实值，即使在高维情况下（最高d=20）亦然。
• 偏差校正程序显著降低了估计偏差，特别是在小样本情况下，且无需依赖重采样即可提高准确性。
• 在真实神经数据中，当刺激具有行为相关性时，视觉皮层区域（VISl和VISal）之间的冗余性增加，时间锁定的PID分析证实了这一点。
• 即使在非高斯神经数据中，高斯PID估计器仍与真实值高度一致，表明对分布偏离具有鲁棒性。
• 该方法运行高效，平均每个60×60协方差矩阵的PID估计耗时0.64秒，支持大规模神经数据分析。
• 重采样实验表明，变化与非变化条件下冗余性差异并非样本量或残余偏差的产物。