揭示大脑、行为与 AI 表示背后的核心维度
计算机视觉与模式识别
2026-05-27 v1 神经元与认知
摘要
表示的研究广泛存在于神经科学、心理学和人工智能等领域。虽然表示通常通过刺激之间的相似性进行研究和比较，但当前方法仅能有限地访问塑造这些表示的维度，往往可解释性有限。为克服这些挑战，本文提出 Similarity-Based Representation Factorization（SRF），一种从派生自测量数据相似矩阵的低维、非负、可解释嵌入的通用计算方法。通过仿真和大量神经、行为和计算数据集，SRF 从多样化的表示数据中恢复可解释维度，即使数据稀疏且不完整亦可如此。这些数据集所得的维度与特定任务模型获得的维度相匹配，预测独立的行为属性，改进探索性分析，并在比较相似矩阵时提供更大的确认性假设检验功效。综上，这些结果将 SRF 确立为一种通用方法，适用于广泛的应用，以揭示、理解和利用表示背后的维度。
引用
@article{arxiv.2605.26921,
title = {Revealing the core dimensions underlying representations in brains, behavior and AI},
author = {Florian P. Mahner and Ka Chun Lam and Francisco Pereira and Martin N. Hebart},
journal= {arXiv preprint arXiv:2605.26921},
year = {2026}
}