An essential step towards understanding how the brain orchestrates information processing at the cellular and population levels is to simultaneously observe the spiking activity of cortical neurons that mediate perception, learning, and motor processing. In this paper, we formulate an information theoretic approach to determine whether cooperation among neurons may constitute a governing mechanism of information processing when encoding external covariates. Specifically, we show that conditional independence between neuronal outputs may not provide an optimal encoding strategy when the firing probability of a neuron depends on the history of firing of other neurons connected to it. Rather, cooperation among neurons can provide a ¿message-passing¿ mechanism that preserves most of the information in the covariates under specific constraints governing their connectivity structure. Using a biologically plausible statistical learning model, we demonstrate the performance of the proposed approach in synergistically encoding a motor task using a subset of neurons drawn randomly from a large population. We demonstrate its superiority in approximating the joint density of the population from limited data compared to a statistically independent model and a pairwise maximum entropy (MaxEnt) model.

中文翻译：

---

皮层神经集成的协同编码

理解大脑如何在细胞和群体水平上协调信息处理的一个重要步骤是同时观察介导感知、学习和运动处理的皮层神经元的尖峰活动。在本文中，我们制定了一种信息理论方法来确定在编码外部协变量时神经元之间的合作是否可以构成信息处理的控制机制。具体来说，我们表明，当神经元的放电概率取决于与其相连的其他神经元的放电历史时，神经元输出之间的条件独立性可能无法提供最佳编码策略。相当，神经元之间的合作可以提供一种“消息传递”机制，该机制在控制其连接结构的特定约束下保留协变量中的大部分信息。使用生物学上合理的统计学习模型，我们展示了所提出的方法在使用从大量人口中随机抽取的神经元子集协同编码运动任务的性能。与统计独立模型和成对最大熵 (MaxEnt) 模型相比，我们证明了它在从有限数据逼近种群联合密度方面的优越性。我们展示了所提出的方法在使用从大量人口中随机抽取的神经元子集协同编码运动任务的性能。与统计独立模型和成对最大熵 (MaxEnt) 模型相比，我们证明了它在从有限数据逼近种群联合密度方面的优越性。我们展示了所提出的方法在使用从大量人口中随机抽取的神经元子集协同编码运动任务的性能。与统计独立模型和成对最大熵 (MaxEnt) 模型相比，我们证明了它在从有限数据逼近种群联合密度方面的优越性。