Représentations platoniques dans le cerveau humain : récupération non supervisée de la géométrie universelle

Résumé

L'hypothèse forte de la représentation platonicienne suggère que la convergence représentationnelle dans les réseaux de neurones artificiels peut être exploitée de manière constructive : les plongements peuvent être traduits entre modèles via un espace latent universel sans données appariées. Nous nous demandons si une géométrie analogue peut être retrouvée à travers les cerveaux humains. En utilisant des données d'IRMf issues du Natural Scenes Dataset, nous proposons un encodeur auto-supervisé qui apprend des plongements spécifiques aux sujets à partir des seules données cérébrales en exploitant des présentations répétées de stimuli. Nous montrons que ces espaces appris indépendamment peuvent être traduits entre sujets à l'aide de rotations orthogonales non supervisées, sans échantillons appariés entre sujets ni représentations de modèle intermédiaires. La synchronisation des rotations par paires en un seul espace latent partagé améliore encore la récupération inter-sujets, indiquant que les espaces spécifiques aux sujets sont mutuellement compatibles avec un système de coordonnées commun. Ces résultats apportent la preuve d'une géométrie neuronale partagée dans le cortex visuel humain : les représentations IRMf spécifiques aux sujets sont approximativement isométriques entre individus et peuvent être traduites par des transformations purement géométriques.

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.