澄清联合解码神经群体时噪声相关性的作用

神经解码中最具争议的问题之一，是量化在最优大脑计算过程中忽略噪声相关性所造成的信息损失。十多年来，此处称为 $\Delta I^{DL}$ 的度量一直被认为是精确的。然而，我们最近表明，它可能超过由忽略噪声相关性构建的最优解码器所造成的信息损失 $\Delta I^{B}$。不幸的是，$\Delta I^{DL}$ 和 $\Delta I^{B}$ 背后不同的信息概念，以及 $\Delta I^{DL}$ 所谓的严格信息论推导，使得尚不清楚这些发现究竟表明 $\Delta I^{DL}$ 存在缺陷，还是表明信息与解码之间的传统关系发生了重大偏离。在此，我们解决了这一悖论并证明，在某些条件下，观察到 $\Delta I^{DL} {>}\Delta I^{B}$ 意味着 $\Delta I^{DL}$ 存在缺陷。受此分析启发，我们使用传输独立信息的神经群体测试了这两种度量。我们的结果表明，$\Delta I^{DL}$ 可能认为在联合解码群体时噪声相关性比并行解码时更重要，而 $\Delta I^{B}$ 则可能出现相反的情况。我们将这些现象追溯至 $\Delta I^{B}$ 的平局打破规则（tie-breaking rules）的选择，以及 $\Delta I^{DL}$ 信息论基础中未预见的局限性。我们的研究提供了更好的估计值， potentially 改进了目前从 $\Delta I^{DL}$ 得出的理论和实验推论，而未注意到它可能构成一个上界。在实际方面，我们的结果促进了无需记录噪声相关性的最优解码算法和神经假体的设计，从而节省了实验和计算资源。