[论文解读] Predictive information in a sensory population

Stephanie E. Palmer, Olivier Marre+2 more|arXiv (Cornell University)|Jun 30, 2013

Neural dynamics and brain function参考文献 41被引用 5

一句话总结

该论文表明，视网膜神经节细胞群体以接近输入统计特性所设定物理极限的近乎最大效率，编码关于未来视觉刺激的预测性信息。通过使用随机移动条刺激并同步记录多神经元活动，作者发现预测编码在最早的感觉阶段即已出现，下游神经元对这些信息进行最优压缩，从而增强刺激表征和特征选择性。

ABSTRACT

Guiding behavior requires the brain to make predictions about future sensory inputs. Here we show that efficient predictive computation starts at the earliest stages of the visual system. We estimate how much information groups of retinal ganglion cells carry about the future state of their visual inputs, and show that every cell we can observe participates in a group of cells for which this predictive information is close to the physical limit set by the statistical structure of the inputs themselves. Groups of cells in the retina also carry information about the future state of their own activity, and we show that this information can be compressed further and encoded by downstream predictor neurons, which then exhibit interesting feature selectivity. Efficient representation of predictive information is a candidate principle that can be applied at each stage of neural computation.

研究动机与目标

• 研究感觉系统如何利用视网膜神经节细胞群体编码关于未来刺激的预测性信息。
• 确定视网膜中的预测编码在多大程度上接近由输入统计特性所施加的理论信息论极限。
• 探讨下游神经元如何压缩预测性信息以改善刺激表征并增强特征选择性。
• 检验高效预测性计算是否可作为跨神经处理阶段的一般性原则。

提出的方法

• 通过火把蜥蜴视网膜神经节细胞的同步多电极记录，捕获群体动作电位活动对移动条刺激的响应。
• 将神经元反应建模为短时间窗内的二进制字词（放电模式），以量化关于过去和未来刺激位置的信息。
• 使用信息论方法估计神经群体活动 W_t 与未来刺激状态 X_{t'} 之间的互信息 I(W_t; X_{t'})。
• 应用信息瓶颈方法，将过去神经活动最优压缩为表示 Z，以最大化对未来的预测能力。
• 在位置和速度动态的高斯与马尔可夫假设下，解析求解瓶颈问题。
• 通过分析由动作电位触发的刺激分布和反应统计，研究优化预测神经元的特征选择性。

实验结果

研究问题

• RQ1 视网膜神经节细胞群体在多大程度上编码关于未来视觉输入的预测性信息？
• RQ2 视网膜群体活动中的预测性信息距离由输入统计特性所设定的理论物理极限有多近？
• RQ3 下游神经元能否通过压缩预测性信息来提升刺激编码效率并表现出特征选择性？
• RQ4 优化的预测神经元从视网膜群体活动中提取了哪些类型的刺激特征？
• RQ5 对预测性信息进行优化如何提升刺激表征的准确性和分辨率？

主要发现

• 视网膜神经节细胞群体所携带的关于未来视觉输入的预测性信息，接近由输入刺激统计结构所允许的理论最大值。
• 视网膜群体中每单位动作电位的预测性信息达到最大值，并在不同群体规模和刺激条件下保持稳健。
• 压缩预测性信息的下游预测神经元实现了更高的刺激编码效率，其信息含量随预测性信息的更好捕获而增加。
• 优化的预测神经元表现出强烈的特征选择性，例如检测恒定速度运动，并能以更低的不确定性提供更精确的刺激位置估计。
• 针对延迟预测（如 Δt = 1/30 s）进行优化的预测神经元可补偿神经处理延迟，从而提高刺激估计的时序分辨率。
• 信息瓶颈框架成功识别出最优压缩策略，可在神经系统中平衡预测准确性和表征效率。