🤖 AI

Comparing and Integrating Different Notions of Representational Correspondence in Neural Systems

تقيم هذه الورقة وتدمج مقاييس متعددة لتشابه التمثيل باستخدام نهج دمج شبكة التشابه المعدل لإثبات أن الجمع بين المقاييس المتكاملة يؤدي إلى مقارنات أكثر دقة وذات مغزى بيولوجي لكل من الشبكات العصبية الاصطناعية ونشاط الدماغ مقارنة بالاعتماد على أي مقياس منفرد.

المؤلفون الأصليون: Jialin Wu, Shreya Saha, Yiqing Bo, Meenakshi Khosla

نُشر 2026-02-24

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Jialin Wu, Shreya Saha, Yiqing Bo, Meenakshi Khosla

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول اكتشاف كيف يفكر شخصان مختلفان في الشيء نفسه. ربما تريد معرفة ما إذا كان دماغ بشري وبرنامج كمبيوتر "يفكران" بنفس الطريقة عندما ينظران إلى صورة قطة.

لفترة طويلة، حاول العلماء الإجابة على هذا السؤال باستخدام مسطرة واحدة لقياس المسافة بين أفكارهما. لكن هذه الورقة البحثية تجادل بأن المسطرة الواحدة ليست كافية. فاعتماداً على كيفية القياس، قد تحصل على إجابات مختلفة تماماً.

إليك قصة الورقة البحثية، مقسمة إلى مفاهيم وأمثلة بسيطة.

1. المشكلة: فخ "المسطرة الواحدة"

تخيل أنك تحاول فرز كومة من الفواكه.

المسطرة (أ) تقيس الوزن.
المسطرة (ب) تقيس اللون.
المطرة (ج) تقيس الحلاوة.

إذا استخدمت مسطرة الوزن فقط، فإن البطيخة الثقيلة وكنتالوب الثقيل سيبدوان متشابهين جداً. ولكن إذا استخدمت مسطرة اللون، فسيبدوان مختلفين تماماً (أخضر مقابل برتقالي). وإذا استخدمت مسطرة الحلاوة، فقد يعودان متشابهين مرة أخرى.

في عالم الذكاء الاصطناعي والأدمغة، كان العلماء يستخدمون "مسطرات" مختلفة (صيغ رياضية) لمعرفة ما إذا كان نظامان متشابهين. بعض المسطرات تتحقق مما إذا كانت الأنظمة تنظم البيانات هندسياً (مثل ترتيب الأشكال في نمط معين). بينما تتحقق مساطر أخرى مما إذا كان بإمكانهم التنبؤ بنفس الإجابات (مثل معلم يصحح اختباراً).

المشكلة؟ هذه المسطرات غالباً ما تختلف فيما بينها. قد تقول إحدى المسطرات إن نموذجي ذكاء اصطناعي هما توأمان، بينما تقول أخرى إنهما غريبان عن بعضهما. وهذا يجعل من الصعب معرفة ما يحدث فعلياً.

2. التجربة: اختبار المسطرات

قرر المؤلفون اختبار كل هذه المسطرات المختلفة على مجموعتين:

الأدمغة الاصطناعية: 35 نموذجاً مختلفاً من نماذج الرؤية الحاسوبية (بعضها تدرب للتعرف على القطط، وبعضها للتعرف على الكلمة التالية، وبعضها بُني مثل الخلايا العصبية البشرية، وبعضها بُني مثل نماذج "الترانسفورمر" الحديثة).
الأدمغة الحقيقية: صور مسحية لأدمغة بشرية أثناء النظر إلى 1,000 صورة طبيعية.

طرحوا سؤالين بسيطين:

بالنسبة للذكاء الاصطناعي: هل تستطيع المسطرة التمييز بين نموذج تدرب بـ "التعلم تحت الإشراف" (التعلم مع وجود معلم) وبين "التعلم الذاتي الإشراف" (التعلم عن طريق التخمين)؟
بالنسبة للبشر: هل تستطيع المسطرة التمييز بين جزء الدماغ الذي يرى الحواف (V1) والجزء الذي يرى الأشكال المعقدة (V4)؟

النتيجة:

مسطرات "الهندسة" (مثل RSA و SoftMatch) كانت أفضل المحققين. لقد نظرت إلى كيفية تنظيم المعلومات واستطاعت بسهولة تمييز عائلات النماذج ومناطق الدماغ المختلفة عن بعضها البعض.
مسطرات "التنبؤ" (مثل Linear Predictivity) كانت أضعف. لقد كانت مرنة للغاية؛ حيث يمكنها ثني وتدوير البيانات لجعل أي شيء يبدو متشابهاً، مما جعلها تفشل في رصد "البصمات" الفريدة التي تميز كل نظام.

3. الحل: "الخلاط الفائق" (دمج شبكات التشابه)

إذا لم تكن المسطرة الواحدة كافية، فلماذا لا نستخدم جميعها؟

جرب المؤلفون عملية متوسط حسابي بسي️طة (خلط جميع المسطرات معاً)، لكن ذلك كان يشبه صنع "سموذي" حيث تلغي النكهات القوية النكهات الخفيفة، ولم ينجح الأمر جيداً.

بدلاً من ذلك، استخدموا تقنية ذكية تسمى دمج شبكات التشابه (Similarity Network Fusion - SNF). فكر في هذا ليس كخلاط، بل كمجموعة من المحققين يجتمعون في غرفة واحدة.

المحقق (أ) (الهندسة) يقول: "هذان النموذجان يتشابهان لأنهما يرتبان بياناتهما بنفس الطريقة".
المحقق (ب) (الضبط) يقول: "أنا أتفق معك، وأرى أيضاً أنهما يتفاعلان مع تفاصيل محددة بشكل متشابه".
المحقق (ج) (التنبؤ) يقول: "كلاهما يصل إلى الإجابة الصحيحة، لكن منطقهما الداخلي مختلف".

خوارزمية الـ SNF تستمع إلى الجميع. فهي لا ترسم خطاً بين نموذجين إلا إذا اتفق معظم المحققين على أنهما متشابهان. إذا اعتقد محقق واحد أنهما متشابهان بينما اختلف الباقون، يصبح الخط ضعيفاً. وإذا اتفقوا جميعاً، يصبح الخط طريقاً سريعاً سميكاً وصلباً.

السحر:
عندما استخدموا نهج "مجموعة المحققين" هذا، كانت النتائج مذهلة.

في الذكاء الاصطناعي: نجحت العملية في تصنيف النماذج بدقة. أظهرت أن جميع نماذج "التعلم الذاتي الإشراف" (بغض النظر عما إذا كانت قديمة أو حديثة) تشكل عائلة واحدة كبيرة، بينما شكلت النماذج "تحت الإشراف" عائلة أخرى. حتى أنها أظهرت أن النماذج الهجينة (التي تمزج بين التقنيات القديمة والحديثة) هي في الواقع أقارب لعائلة التعلم الذاتي الإشراف.
في الأدمغة: كشفت عن بنية الدماغ بشكل مثالي. أظهرت التسلسل الهرمي للقشرة البصرية بوضوح، من كاشفات الحواف البسيطة إلى كاشفات الأجسام المعقدة، بشكل أوضح بكثير مما استطاعت أي مسطرة منفردة فعله.

4. الخلاصة الكبرى

تعلمنا هذه الورقة درسين رئيسيين:

لا توجد "حقيقة" واحدة للتشابه. سواء كان الأمر يتعلق بدماغين أو حاسوبين، فإن كونهم "متشابهين" يعتمد كلياً على كيفية النظر إليهم. بعض أوجه التشابه تتعلق بـ شكل الفكرة، وأخرى تتعلق بـ نتيجة الفكرة.
الدمج هو المفتاح. من خلال دمج هذه المنظورات المختلفة، نحصل على خريطة أكثر وضوحاً ودقة لكيفية تنظيم الذكاء (سواء كان اصطناعياً أو بيولوجياً).

باختصار: لا تنظر إلى اللوحة من خلال عدسة ملونة واحدة فقط. انظر من خلال عدسات متعددة، ثم ادمج ما تراه لتفهم التحفة الفنية. هذا هو بالضبط ما تفعله هذه الورقة لعلوم الذكاء الاصطناست والدماغ.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "مقارنة ودمج المفاهيم المختلفة للارتباط التمثيلي في الأنظمة العصبية".

1. بيان المشكلة

يتمثل التحدي المركزي في علوم الأعصاب والتعلم الآلي في تحديد ما إذا كانت الأنظمة العصبية المختلفة (سواء كانت بيولوجية أو اصطناعية) تعتمد على تمثيلات داخلية متكافئة لأداء مهام متشابهة. حالياً، يقوم الباحثون عادةً بمقارنة هذه الأنظمة باستخدام مقياس تشابه تمثيلي واحد (مثل تحليل التشابه التمثيلي RSA، أو محاذاة النواة المركزية CKA، أو القدرة التنبؤية الخطية).

تجادل الورقة بأن هذا النهج معيب لأن:

عدم القابلية للتبادل: تلتقط المقاييس المختلفة جوانب متميزة من الارتباط التمثيلي (مثل البنية الهندسية مقابل ضبط الوحدات مقابل المعلومات المتاحة خطياً).
الاستنتاجات المتضاربة: نظرًا لأن كل مقياس يضع افتراضات مختلفة حول التحويلات التي تعتبر غير ذات صلة، فقد تؤدي هذه المقاييس إلى استنتاجات مختلفة نوعياً حول مدى تشابه الأنظمة.
التجزؤ المنهجي: لا يوجد إطار عمل موحد لدمج هذه الأبعاد المتكاملة، مما يؤدي إلى فهم ناقص للبنية التمثيلية.

السؤال الجوهري الذي تعالجه الورقة هو: أي أبعاد الارتباط التمثيلي تستعيد البنية ذات المعنى، وكيف يمكن دمج مفاهيم التشابه المتكاملة؟

2. المنهجية

مجموعات البيانات والمواضيع

قيم المؤلفون نهجهم عبر مجالين:

الشبكات العصبية الاصطناعية: مجموعة مضبوطة من 35 نموذج رؤية تم تدريبها مسبقاً على ImageNet-1k، مصنفة إلى أربع عائلات: الشبكات العصبية الالتفافية (CNNs) الخاضعة للإشراف، الشبكات الالتفافية ذاتية الإشراف، المحولات (Transformers) الخاضعة للإشراف، والمحولات ذاتية الإشراف. تم التعامل مع البنى الهجينة (مثل ConvNeXt وSwin) كعائلات متميزة.
الأنظمة العصبية البيولوجية: استجابات الرنين المغناطيسي الوظيفي (fMRI) من مجموعة مشاهد طبيعية (NSD)، والتي تغطي 10 مناطق في القشرة البصرية عبر 4 أشخاص يشاهدون 1,000 صورة طبيعية مشتركة.

مقاييس التشابه التمثيلي التي تم تقييمها

قارنت الدراسة بشكل منهجي مجموعة من المقاييس التي تختلف في مرونة الخرائط التي تسمح بها:

الحفاظ على الهندسة: RSA (يقارن مصفوفات عدم التشابه التمثيلي)، وLinear CKA (ثابت تجاه التحويلات المتعامدة).
ضبط مستوى الوحدة: المطابقة الناعمة (Soft Matching) (تخفف التبديلات لتصل إلى "تبديلات ناعمة" لمحاذاة الوحدات).
الخرائط المرنة: Procrustes (المحاذاة المتعامدة)، القدرة التنبؤية الخطية (تحويل خطي غير مقيد)، وSVCCA/PWCCA (متغيرات تحليل الارتباط الكنسي).

معايير التقييم

لتحديد أي المقاييس تستعيد "البنية ذات المعنى"، حدد المؤلفون معيارين مرجعيين:

الارتباط الإجرائي (النماذج): هل يستطيع المقياس التمييز بين النماذج ذات البنى/نماذج التدريب المختلفة مع تجميع النماذج ذات الإجراءات المتماثلة؟
التنظيم التشريحي-الوظيفي (الأدمغة): هل يستطيع المقياس الفصل بين الاستجابات من مناطق قشرية متميزة مع محاذاة الاستجابات من نفس المنطقة عبر موضوعات مختلفة؟

مقاييس الفصل: استخدم المؤلفون نسبة التباين (Contrastive Ratio)، وD-Prime ( $d'$ )، ودرجات Silhouette لقياس مدى قدرة المقاييس على فصل المجموعات المعروفة.

إطار التكامل: دمج شبكات التشابه (SNF)

إدراكاً منهم أن أي مقياس منفرد ليس كافياً، قام المؤلفون بتكييف دمج شبكات التشابه (SNF)، الذي تم تطويره أصلاً لدمج البيانات متعددة الأوميكس (multi-omics).

العملية: يولد كل مقياس مصفوفة تشابه، يتم تحويلها إلى رسم بياني للتقارب (affinity graph). يقوم SNF بدمج هذه الرسوم البيانية تكرارياً عبر آلية تمرير الرسائل.
الهدف: يعمل الدمج على تعزيز العلاقات المدعومة باستمرار عبر مقاييس متعددة مع كبح الضوضاء الزائفة أو المحددة بمقياس معين، مما ينتج عنه مصفوفة تشابه توافقية.

3. المساهمات الرئيسية

التقييم المنهجي للمقاييس: توفر الورقة تقييماً شاملاً يظهر أن المقاييس التي تحافظ على الهندسة التمثيلية (RSA، Linear CKA) أو ضبط مستوى الوحدة (Soft Matching) هي الأفضل في استعادة الهياكل الإجرائية والتشريحية المعروفة مقارنة بالخرائط الخطية المرنة (Linear Predictivity، CCA).
تقديم SNF للتمثيلات العصبية: نجح المؤلفون في تكييف SNF لدمج رسومات التشابه التمثيلي. وأظهروا أن هذا النهج المدمج ينتج فصلاً أكثر حدة بين عائلات النماذج وتسلسلاً هرمياً قشرياً أوضح من أي مقياس فردي.
الأنماط التصنيفية القائمة على البيانات: يتيح النهج المتكامل بناء أنماط تصنيفية ذات معنى ومستمدة من البيانات لكل من نماذج الذكاء الاصطناعي ومناطق الدماغ، مما يكشف عن مبادئ تنظيمية (مثل هيمنة نماذج التدريب على البنية الهندسية في النماذج ذاتية الإشراف) والتي قد تُحجب عند استخدام مقياس واحد.

4. النتائج الرئيسية

أ. أداء المقاييس على النماذج الاصطناعية

تفوق الهندسة والضبط: حقق كل من RSA ( $d' \approx 3.95$ ) وLinear CKA ( $d' \approx 3.91$ ) أعلى مستويات الفصل بين عائلات النماذج. كما أدى Soft Matching أداءً قوياً.
فشل الخرائط الخطية: أظهرت المقاييس التي تركز على المعلومات القابلة للفك الخطى، مثل Linear Predictivity ( $d' \approx 2.09$ ) ومتغيرات CCA (مثل SVCCA $d' \approx 1.02$ )، قدرة ضعيفة على التمييز. يشير هذا إلى أنه بينما قد تكون الميزات القابلة للفك خطياً مشتركة عبر العائلات، فإن البنى الهندسية وضبط الوحدات هي "البصمات" الفريدة للاختلافات الإجرائية.
تفوق SNF: حقق المقياس المدمج عبر SNF قيمة $d'$ بلغت 12.42، وهي تقريباً ثلاثة أضعاف أفضل مقياس فردي. وقد نجح باستمرار في فصل جميع عائلات النماذج، في حين فشلت المقاييس الفردية غالباً في فصل أزواج معينة.

ب. أداء المقاييس على البيانات العصبية

الفصل القشري: على غرار نتائج النماذج، نجحت المقاييس التي تحافظ على الهندسة في التمييز بين المناطق القشرية (مثل V1 مقابل V4) عبر الموضوعات.
استعادة التسلسل الهرمي: حقق SNF متوسط $d'$ قدره 21.45 (ما يقرب من خمسة أضعاف أفضل مقياس فردي) في فصل المناطق القشرية.
المحاذاة التشريحية: كشفت تصورات PCA للمصفوفة المدمجة عبر SNF عن تقدم سلس وواضح للمجرى البصري البطني (V1 $\to$ V4 $\to$ مناطق عليا) بما يتوافق بشكل وثيق مع التسلسلات الهرمية التشريحية الراسخة أكثر من أي مقياس منفرد.

ج. الأنماط التصنيفية الناشئة

هيمنة نموذج التدريب: كشف التجميع الهرمي لمصفوفة SNF أن النماذج ذاتية الإشراف (بغض النظر عما إذا كانت CNNs أو Transformers) تشكل عنقوداً موحداً، مما يتجاوز الحدود الهيكلية.
تقارب البنى الهجينة: تجمعت النماذج الهجينة مثل ConvNeXt وSwin بالقرب من نماذج MAE (المشفر التلقائي المقنع)، مما يشير إلى أن تحديث البنى وأهداف إعادة البناء المقنعة تؤدي إلى هياكل تمثيلية متشابهة رغم اختلاف التنفيذ.

5. الأهمية والأثر

إعادة صياغة مقارنة التمثيل: تجادل الورقة بأن التشابه التمثيلي لا ينبغي اعتباره كمية قياسية واحدة، بل كفضاء متعدد الأبعاد. فالمقاييس المختلفة تستعيد "أبعاداً" مختلفة من البنية.
التقدم المنهجي: من خلال إثبات أن دمج المقاييس المتكاملة عبر SNF يعطي صورة أكثر اكتمالاً ودقة للتنظيم العصبي، تقدم هذه الورقة معياراً جديداً لمقارنة الأنظمة البيولوجية والاصطناعية.
رؤى حول الذكاء الاصطناعي والدماغ: تشير النتائج إلى أنه بينما قد تعكس المعلومات القابلة للفك خطياً القيود الحسابية العالمية، فإن التنظيم الهندسي وضبط الوحدات هما العلامات الحاسمة لأهداف التعلم والقيود التشريحية المحددة.
المنفعة العملية: يوفر إطار عمل SNF أداة قوية للباحثين لتحديد المجموعات الطبيعية في مجموعات البيانات المعقدة (مثل عائلات النماذج أو مناطق الدماغ) دون الاعتماد على افتراضات مسبقة حول البنية أو التشريح.

في الختام، تؤسس هذه العمل حقيقة أنه لا يوجد مقياس واحد كافٍ لفهم الارتباط التمثيلي العصبي. بدلاً من ذلك، فإن النهج المدمج الذي يستفيد من نقاط القوة المتكاملة للهندسة، والضبط، والخرائط الخطية، يوفر الصورة الأكثر موثوقية لاستعادة البنية ذات المعنى في كل من الأدمغة والآلات.