Platonische representaties in het menselijk brein: ongesuperviseerd herstel van universele geometrie

Samenvatting

De Sterke Platonische Representatiehypothese stelt dat representatieconvergentie in kunstmatige neurale netwerken constructief kan worden benut: embeddings kunnen tussen modellen worden vertaald via een universele latente ruimte zonder gepaarde data. Wij vragen ons af of een analoge geometrie kan worden teruggevonden in menselijke hersenen. Met behulp van fMRI-gegevens uit de Natural Scenes Dataset stellen we een zelfgesuperviseerde encoder voor die persoonspecifieke embeddings leert uitsluitend uit hersendata door gebruik te maken van herhaalde stimuluspresentaties. We laten zien dat deze onafhankelijk geleerde ruimtes tussen proefpersonen kunnen worden vertaald met behulp van ongesuperviseerde orthogonale rotaties, zonder gepaarde cross-subject samples of tussenliggende modelrepresentaties. Het synchroniseren van paarsgewijze rotaties in een enkele gedeelde latente ruimte verbetert verder de cross-subject retrieval, wat aangeeft dat persoonspecifieke ruimtes onderling compatibel zijn met een gemeenschappelijk coördinatensysteem. Deze resultaten leveren bewijs voor een gedeelde neurale geometrie in de menselijke visuele cortex: persoonspecifieke fMRI-representaties zijn bij benadering isometrisch tussen individuen en kunnen worden vertaald door middel van zuiver geometrische transformaties.

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.