比较与整合神经系统中表征对应的不同概念

不同的生物和人工神经系统在多大程度上依赖等效的内部表征来支持相似的任务，这仍然是神经科学和机器学习中的一个核心问题。先前的工作通常使用单一的表征相似性度量来比较系统，尽管不同的度量强调表征对应的不同方面。在此，我们通过询问每个度量在两个领域中恢复已知结构的效果如何，来评估一套表征相似性度量：对于人工模型，程序上不相似的模型（在架构或训练范式上不同）是否被分配了比程序上匹配的模型更低的相似度；对于神经数据，来自不同皮层区域的响应是否被分离，而来自同一区域的响应是否跨受试者对齐。在视觉模型和神经记录中，保持表征几何或调谐结构的度量比线性预测性等更灵活的映射更可靠地分离了这种结构。为了整合这些互补的方面，我们采用了最初为多组学整合开发的 Similarity Network Fusion，以结合跨度量的相似性图。由此产生的融合相似性对程序上定义的模型家族产生了更清晰的分离，并且在应用于神经数据时，恢复了腹侧视觉流更清晰的层级组织，该组织比单一度量更紧密地与已确立的解剖和功能层级对齐。总体而言，该方法揭示了表征对应的哪些维度能够恢复模型和大脑中有意义的结构，以及如何整合互补的相似性概念。