Representaciones Platónicas en el Cerebro Humano: Recuperación No Supervisada de la Geometría Universal

Resumen

La Hipótesis de la Representación Platónica Fuerte sugiere que la convergencia representacional en redes neuronales artificiales puede aprovecharse de manera constructiva: los embeddings pueden traducirse entre modelos a través de un espacio latente universal sin datos pareados. Nos preguntamos si una geometría análoga puede recuperarse entre cerebros humanos. Utilizando datos de fMRI del Natural Scenes Dataset, proponemos un codificador auto-supervisado que aprende embeddings específicos de cada sujeto a partir de datos cerebrales exclusivamente, explotando presentaciones repetidas de estímulos. Mostramos que estos espacios aprendidos de forma independiente pueden traducirse entre sujetos mediante rotaciones ortogonales no supervisadas, sin necesidad de muestras pareadas entre sujetos ni representaciones intermedias de modelos. Sincronizar las rotaciones por pares en un único espacio latente compartido mejora aún más la recuperación entre sujetos, lo que indica que los espacios específicos de cada sujeto son mutuamente compatibles con un sistema de coordenadas común. Estos resultados proporcionan evidencia de una geometría neural compartida en la corteza visual humana: las representaciones de fMRI específicas de cada sujeto son aproximadamente isométricas entre individuos y pueden traducirse mediante transformaciones puramente geométricas.

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.