Платонические репрезентации в человеческом мозге: неконтролируемое восстановление универсальной геометрии

Аннотация

Гипотеза сильного платонического представления предполагает, что сходимость представлений в искусственных нейронных сетях может быть использована конструктивно: вложения можно транслировать между моделями через универсальное латентное пространство без парных данных. Мы задаемся вопросом, можно ли восстановить аналогичную геометрию в мозге разных людей. Используя данные фМРТ из набора Natural Scenes Dataset, мы предлагаем самообучаемый кодер, который извлекает специфичные для субъекта вложения исключительно из данных мозга, используя повторные предъявления стимулов. Мы показываем, что эти независимо обученные пространства можно транслировать между субъектами с помощью неконтролируемых ортогональных вращений, без парных межсубъектных выборок или промежуточных представлений модели. Синхронизация попарных вращений в единое общее латентное пространство дополнительно улучшает межсубъектный поиск, что указывает на взаимную совместимость специфичных для субъекта пространств с общей системой координат. Эти результаты свидетельствуют о существовании общей нейронной геометрии в зрительной коре человека: специфичные для субъекта представления фМРТ приблизительно изометричны у разных индивидов и могут быть транслированы с помощью чисто геометрических преобразований.

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.