Representações Platônicas no Cérebro Humano: Recuperação Não Supervisionada da Geometria Universal

Resumo

A Hipótese Forte da Representação Platônica sugere que a convergência representacional em redes neurais artificiais pode ser aproveitada de forma construtiva: embeddings podem ser traduzidos entre modelos através de um espaço latente universal sem dados pareados. Investigamos se uma geometria análoga pode ser recuperada entre cérebros humanos. Utilizando dados de fMRI do Natural Scenes Dataset, propomos um codificador auto-supervisionado que aprende embeddings específicos do sujeito apenas a partir de dados cerebrais, explorando apresentações repetidas de estímulos. Mostramos que esses espaços aprendidos independentemente podem ser traduzidos entre sujeitos através de rotações ortogonais não supervisionadas, sem amostras pareadas entre sujeitos ou representações intermediárias de modelos. Sincronizar rotações aos pares em um único espaço latente compartilhado melhora ainda mais a recuperação entre sujeitos, indicando que os espaços específicos do sujeito são mutuamente compatíveis com um sistema de coordenadas comum. Esses resultados fornecem evidências para uma geometria neural compartilhada no córtex visual humano: representações de fMRI específicas do sujeito são aproximadamente isométricas entre indivíduos e podem ser traduzidas através de transformações 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.