无编码对齐解码：对神经科学中相似性分析的批评
宇宙学与河外天体物理
2026-05-08 v1 高能天体物理现象
摘要
解码方法在神经科学和机器学习中广泛用于比较不同神经系统（如不同脑区、不同生物体和深度学习模型）中的刺激表示。常见方法包括解码(感知)流形和诸如 representational similarity analysis (RSA) 和 dynamic similarity analysis (DSA) 等对齐指标，其中解码表示的相似性被解释为类似计算的证据。本文演示了这种方法背后存在根本性弱点：当此类表示实际上可能由极小子神经元的子集所塑造时，假设表征几何代表整个神经群体是误导的。我们展示，补充性编码范式直接解决了这一问题：它以数据集响应的全局方式表征神经元的组织，提供关于解码表示如何由神经群体中神经元实现的见解。我们在生物系统和深度学习模型中的实验表明：(i)令人惊讶的是，类似的解码行为和高表征对齐可以来自小的、非代表性的神经元子群；并且关键的是：(ii)对齐指标对编码流形拓扑不敏感(即功能在神经元中的分布方式)，尽管这正是不同生物系统区分的关键特征。一个受控的 MNIST 实验提供了因果证据：即使通过训练损失进行编码拓扑的因果操控，解码指标仍保持不变。总体而言，解码行为的相似性，如经典对齐指标所衡量的，并不等于功能或计算的相似性，动机使用编码流形作为比较神经系统的补充工具。
引用
@article{arxiv.2605.05906,
title = {Axion-Like Particle Dark Matter Intensity Mapping: A New Probe via Cross-Correlation with Galaxy Surveys},
author = {Wen-Qing Guo},
journal= {arXiv preprint arXiv:2605.05906},
year = {2026}
}
备注
9 pages, 5 figures, two tables. Accepted for publication in PLB