[论文解读] 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 11

一句话总结

本文提出通过最大模块化划分（MMP）和原子划分快速、准确地计算综合信息（Φ），作为计算上不可行的最小信息划分（MIP）的替代方法。结果表明，基于MMP或原子划分计算的Φ*与MIP的精度相当，同时将大规模网络中的计算时间从数小时缩短至五秒以内，从而实现了在真实脑数据中对综合信息理论（IIT）的实用化经验测试。

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.

研究动机与目标

• 解决在大型神经网络中寻找最小信息划分（MIP）的计算不可行性问题。
• 开发一种比MIP更快、更具生物学合理性的综合信息计算替代方法。
• 评估新型划分方式（如最大模块化划分（MMP）和原子划分）下综合信息度量的准确性与速度。
• 通过显著缩短计算时间并保持精度，实现对真实脑数据中综合信息理论（IIT）的实用化、经验性测试。
• 利用模拟数据上的新型检测任务，比较多种综合信息度量在不同划分下的表现。

提出的方法

• 提出最大模块化划分（MMP）作为MIP的生物学合理替代方案，基于神经网络的模块化组织结构。
• 使用模块化最大化算法快速识别MMP，该方法计算效率高，可扩展至大规模网络。
• 在模拟网络上设计并应用新型检测任务，评估综合信息度量对网络划分的敏感性。
• 适配并应用理论基础坚实的综合信息度量Φ*，其避免负值，将其应用于MMP和原子划分。
• 使用模拟时间序列数据，将Φ*在MMP和原子划分上的表现与MIB及其他度量（CD、ΦAR）进行比较。
• 采用皮尔逊相关系数和统计显著性检验（FDR校正）评估100个模拟网络中各度量之间的一致性。

实验结果

研究问题

• RQ1 能否在最大模块化划分（MMP）上可靠地计算综合信息，且精度与MIP相当？
• RQ2 在大型网络中，综合信息度量在MMP、原子划分和MIB之间的计算速度如何变化？
• RQ3 与MIB相比，MMP是否更符合大脑信息整合的生物学合理性？
• RQ4 在MMP和原子划分上评估时，不同综合信息度量（如CD、Φ*、ΦAR）之间的相关性如何？
• RQ5 像Φ*这样快速的度量在MMP或原子划分上检测网络划分变化的能力，是否与MIP相当？

主要发现

• 基于MMP或原子划分计算的Φ*与基于MIP的度量高度相关（r = 0.88***，r = 0.96***），表明其精度出色。
• 在大型网络中，Φ*在MMP或原子划分上的计算时间低于五秒，而基于MIB的CD度量随网络规模增大而显著变慢。
• MMP和原子划分产生的综合信息值与MIP显著相关，表明其为有效的替代方案。
• Φ*在100个网络中与基于MIB的度量表现出强相关性（r = 0.60***），表明其在不同划分间具有稳健性。
• Φ*在理论一致性上优于ΦAR，因为ΦAR会产生负值——这与综合信息不可能为负的假设相矛盾。
• MMP被发现比MIB更具生物学合理性，因其与大脑已知的模块化功能架构一致。