人間の脳におけるプラトニック表現：普遍的な幾何学の教師なし復元

要旨

強プラトン的表象仮説は、人工ニューラルネットワークにおける表現の収束を建設的に活用できることを示唆している。すなわち、ペアデータなしで普遍的な潜在空間を通じてモデル間で埋め込みを変換できるのである。我々は、同様の幾何学が人間の脳全体で復元可能かどうかを問う。自然シーンデータセットのfMRIデータを用いて、繰り返し提示される刺激を利用することで脳データのみから被験者固有の埋め込みを学習する自己教師ありエンコーダを提案する。これらの独立に学習された空間が、被験者間のペアサンプルや中間モデル表現を必要とせずに、教師なし直交回転を用いて被験者間で変換可能であることを示す。ペアワイズ回転を単一の共有潜在空間に同期させることで、被験者間検索がさらに向上する。これは、被験者固有の空間が共通の座標系と相互に互換性があることを示している。これらの結果は、人間の視覚野における共有された神経幾何学の証拠を提供する。すなわち、被験者固有のfMRI表現は個人間で近似的に等長であり、純粋に幾何学的な変換を通じて変換可能である。

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.