Zespół opracował spektralny framework do dokładnej dekompozycji niepewności w problemach odwrotnych M/EEG, czyli przy estymacji rozprowadzonych źródeł neuronowych z pomiarów elektroencefalograficznych i magnetoencefalograficznych. Głównym osiągnięciem jest możliwość wyraźnego rozróżnienia między niepewnością, którą można zmniejszyć poprzez ulepszone pomiary, a niepewnością fundamentalnie nieobserwowaną ze względu na ograniczenia geometrii systemu pomiarowego.
Standardowe podejście wykorzystujące warunkową kowariancję posterior Gaussa nie pozwala na jasne rozróżnienie tych dwóch typów niepewności. Nowa metoda opiera się na strukturze wartości osobliwych operatora przedniego poprzedzonego priorem Bayesowskim i dostarcza dokładny, interpretacyjny rozkład kowariancji posterior na komponenty informacyjne zaczerpnięte z danych oraz na komponenty epistemic indeterminacy. Dodatkowo autorzy wyprowadzili równoważny rozkład subtraktywny, który wyraża kowariancję prior jako sumę posterior i terminów redukcji opartych na danych.
Znaczenie tego podejścia leży w możliwości precyzyjnego szacowania, jaka część niepewności jest rzeczywiście reducible - czyli możliwa do zmniejszenia - poprzez poprawę pomiarów, a jaka jest trwałym ograniczeniem wynikającym z fizyki problemu. Metodologia ma praktyczne zastosowanie dla liniowych rozwiązaczy odwrotnych Bayesowskich, gdzie kowariancja posterior dostępna jest w zamkniętej formie, i otwiera nowe możliwości dla interpretacyjnej kwantyfikacji niepewności w neuronauce obliczeniowej i zastosowaniach klinicznych M/EEG.