인간 뇌의 플라톤적 표상: 보편 기하학의 비지도 복원

초록

강한 플라톤적 표상 가설(Strong Platonic Representation Hypothesis)은 인공 신경망에서의 표상 수렴이 건설적으로 활용될 수 있음을 시사한다. 즉, 임베딩은 쌍 데이터 없이도 보편적 잠재 공간을 통해 모델 간에 변환될 수 있다. 본 연구에서는 인간 뇌에서도 유사한 기하학적 구조가 복원될 수 있는지 묻는다. Natural Scenes Dataset의 fMRI 데이터를 활용하여, 반복적인 자극 제시를 이용해 뇌 데이터만으로 피험자 특화 임베딩을 학습하는 자기 지도 인코더를 제안한다. 이렇게 독립적으로 학습된 공간들은 피험자 간 쌍 표본이나 중간 모델 표현 없이도 비지도 직교 회전을 통해 피험자 간 변환이 가능함을 보여준다. 쌍별 회전을 단일 공유 잠재 공간으로 동기화하면 피험자 간 검색 성능이 더욱 향상되는데, 이는 피험자 특화 공간들이 공통 좌표계와 상호 호환 가능함을 나타낸다. 이러한 결과는 인간 시각 피질에 공유된 신경 기하학이 존재한다는 증거를 제공한다. 즉, 피험자 특화 fMRI 표상은 개인 간에 대략적으로 등거리 변환이 가능하며, 순수 기하학적 변환을 통해 번역될 수 있다.

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.