Platonische Repräsentationen im menschlichen Gehirn: Unüberwachte Wiederherstellung universeller Geometrie

Zusammenfassung

Die Starke platonische Repräsentationshypothese besagt, dass Repräsentationskonvergenz in künstlichen neuronalen Netzen konstruktiv genutzt werden kann: Einbettungen können durch einen universellen latenten Raum ohne gepaarte Daten modelübergreifend übersetzt werden. Wir fragen, ob eine analoge Geometrie über menschliche Gehirne hinweg rekonstruiert werden kann. Unter Verwendung von fMRT-Daten aus dem Natural Scenes Dataset schlagen wir einen selbstüberwachten Encoder vor, der allein aus Gehirndaten subjektspezifische Einbettungen lernt, indem er wiederholte Stimuluspräsentationen ausnutzt. Wir zeigen, dass diese unabhängig gelernten Räume mithilfe unüberwachter orthogonaler Rotationen subjektübergreifend übersetzt werden können, ohne gepaarte subjektübergreifende Stichproben oder zwischengeschaltete Modellrepräsentationen. Das Synchronisieren paarweiser Rotationen in einen einzigen gemeinsamen latenten Raum verbessert den subjektübergreifenden Abruf weiter, was darauf hindeutet, dass subjektspezifische Räume mit einem gemeinsamen Koordinatensystem gegenseitig kompatibel sind. Diese Ergebnisse liefern Belege für eine gemeinsame neurale Geometrie im menschlichen visuellen Kortex: subjektspezifische fMRT-Repräsentationen sind über Individuen hinweg annähernd isometrisch und können durch rein geometrische Transformationen übersetzt werden.

English

The Strong Platonic Representation Hypothesis suggests that representational convergence in artificial neural networks can be harnessed constructively: embeddings can be translated across models through a universal latent space without paired data. We ask whether an analogous geometry can be recovered across human brains. Using fMRI data from the Natural Scenes Dataset, we propose a self-supervised encoder that learns subject-specific embeddings from brain data alone by exploiting repeated stimulus presentations. We show that these independently learned spaces can be translated across subjects using unsupervised orthogonal rotations, without paired cross-subject samples or intermediate model representations. Synchronizing pairwise rotations into a single shared latent space further improves cross-subject retrieval, indicating that subject-specific spaces are mutually compatible with a common coordinate system. These results provide evidence for a shared neural geometry in the human visual cortex: subject-specific fMRI representations are approximately isometric across individuals and can be translated through purely geometric transformations.