[论文解读] 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 8

一句话总结

本文建立了一个理论框架，将神经元调谐（即单个神经元对刺激的响应方式）与表征几何（群体响应的多变量结构）联系起来。研究表明，尽管调谐形状塑造了表征几何，但不同的调谐轮廓可能产生相同的几何结构，而这种几何结构反过来决定了可解码的信息量、费雪信息、互信息以及心理物理学任务中的行为表现。

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.

研究动机与目标

• 阐明神经调谐与神经编码中表征几何之间关系。
• 证明由群体响应模式导出的表征几何决定了线性解码器可获取的信息量。
• 表明不同的调谐轮廓可引发相同的表征几何，暗示几何比单独的调谐更具根本性，是神经编码的更基础描述。
• 主张神经科学应采用双重视角，整合调谐与几何以理解大脑表征与行为。
• 强调几何在捕捉与感知、决策和行为相关的信息方面的作用，尤其是在非均匀先验和奖励结构下。

提出的方法

• 使用费雪信息量化神经响应对微小刺激变化的敏感性，并将其与调谐曲线关联。
• 应用线性解码分析评估特定刺激变量从群体响应中可被读出的程度。
• 通过多变量空间中响应模式之间的成对差异性来定义表征几何，整合为表征差异矩阵（RDM）。
• 分析噪声结构（如非各向同性、非高斯）对表征空间中欧氏几何有效性的影。
• 在噪声非高斯时考虑替代差异性度量，如巴氏距离或对称化Kullback-Leibler散度。
• 探索流形学习与潜在空间方法，在放宽噪声假设的条件下恢复几何结构，同时保持与可分性的单调关系。

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

实验结果

研究问题

• RQ1 神经调谐在多大程度上影响大脑中群体表征的几何结构？
• RQ2 不同的调谐轮廓是否可能产生相同的表征几何？
• RQ3 表征几何在多大程度上决定了线性与非线性解码器可获取的信息量？
• RQ4 非均匀先验和奖励结构如何塑造神经编码中的表征几何？
• RQ5 在复杂噪声条件下，潜在空间表征是否能保持可分性并反映神经响应模式的真实几何？

主要发现

• 不同的调谐神经元集合可产生完全相同的表征几何，表明几何比单独的调谐更具不变性，是神经编码更稳定的描述。
• 表征几何完全决定了理想观察者在心理物理学任务中的费雪信息、互信息和行为表现。
• 噪声结构——尤其是非各向同性或非高斯性——可能使表征空间中的标准欧氏几何失效，因此需要采用替代差异性度量。
• 当噪声假设被违反时，流形学习与潜在空间建模为表征几何的表征提供了有前景的替代方法。
• 表征几何可能反映了环境的统计规律性和行为需求，是通过学习而非纯粹先天固定的机制形成的。
• 神经表征的几何可能与认知科学中的概念空间相关，提示神经与认知表征理论之间存在潜在的桥梁。

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