Resumen Técnico: Representaciones Platónicas en el Cerebro Humano

Declaración del Problema

La Hipótesis de la Representación Platónica Fuerte postula que las redes neuronales artificiales entrenadas de forma independiente convergen hacia representaciones geométricamente similares, permitiendo que las incrustaciones se traduzcan entre modelos a través de un espacio latente universal sin datos emparejados ni entradas compartidas. Aunque existe evidencia de esto en sistemas artificiales de visión y lenguaje, se desconoce si este principio se extiende a los sistemas neuronales biológicos.

Los métodos existentes de neurociencia para alinear datos cerebrales entre sujetos (por ejemplo, hiperalineación) suelen depender de estímulos compartidos para establecer correspondencias entre sujetos o de espacios de referencia externos (por ejemplo, características derivadas de modelos). La pregunta central abordada por este artículo es si una geometría neuronal compartida puede recuperarse a partir de representaciones cerebrales aprendidas de forma independiente, utilizando únicamente la geometría intrínseca de las respuestas neuronales y sin muestras emparejadas entre sujetos ni representaciones intermedias de modelos.

Metodología

Los autores proponen un marco de tres etapas para probar esta hipótesis utilizando el Conjunto de Datos de Escenas Naturales (NSD), donde 8 sujetos observaron imágenes naturales complejas. Crucialmente, el método utiliza imágenes específicas del sujeto y no compartidas para el aprendizaje y un conjunto retenido de imágenes compartidas exclusivamente para la evaluación.

1. Aprendizaje de Incrustaciones que Preservan la Geometría (Específico del Sujeto)

Para cada sujeto $s$, un codificador auto-supervisado $f_s$ mapea las respuestas de fMRI $X^{(s)}$ a un espacio de incrustación de baja dimensión $Z^{(s)}$.

• Auto-supervisión mediante Repetición: El método explota las presentaciones repetidas de estímulos. En lugar de promediar las repeticiones (lo que asume independencia), el codificador las trata como vistas ruidosas de una señal latente estable.
• Proceso:
  1. Ponderación de la Fiabilidad de los Vóxeles: Los vóxeles se reponderan según su correlación a través de las repeticiones para suprimir el ruido.
  2. Proyección Lineal: Las respuestas ponderadas por fiabilidad se proyectan mediante PCA, seguidas de un Análisis de Correlación Canónica de Múltiples Vistas (MCCA) para extraer componentes compartidos entre las vistas.
  3. Refinamiento No Lineal: Una Red Neuronal Perceptrón Multicapa (MLP) residual refina la incrustación lineal. El modelo se entrena utilizando una pérdida contrastiva InfoNCE y un término de atracción por coseno para asegurar que las incrustaciones de la misma imagen (a través de diferentes repeticiones) estén cercanas, mientras que las incrustaciones de diferentes imágenes estén separadas.
• Objetivo: Aprender un espacio de incrustación $Z^{(s)}$ que refleje la organización intrínseca de las respuestas a estímulos del sujeto sin guía externa.

2. Traducción Cerebro a Cerebro por Pares

Dadas las incrustaciones aprendidas de forma independiente $\{Z^{(s)}\}$, los autores buscan transformaciones ortogonales $R_{s \to t}$ para traducir el espacio del sujeto $s$ al espacio del sujeto $t$ sin datos emparejados.

• Pseudo-correspondencia: Dado que no hay imágenes compartidas disponibles durante el entrenamiento, el método construye pares pseudo-emparejados agrupando el espacio de incrustación de cada sujeto (K-medias) y emparejando los centroides basándose en estructuras de similitud por pares.
• Refinamiento Iterativo: Un enfoque iterativo similar al de Punto Más Cercano Iterativo (ICP) refina la solución de Procrustes ortogonal.
• Simetrización: La rotación resultante se simetriza para asegurar que $R_{t \to s} = R_{s \to t}^\top$, un requisito para la consistencia global.

3. Construcción de un Espacio Latente Compartido (Sincronización Global)

Para ir más allá de las traducciones por pares y establecer un único sistema de coordenadas coherente, los autores resuelven un problema de sincronización ortogonal sobre el grupo $O(d)$.

• Se construye una matriz de bloques de rotaciones por pares.
• Un método espectral recupera una única transformación ortogonal $R_s$ para cada sujeto tal que $R_{s \to t} \approx R_s R_t^\top$.
• Esto mapea todas las incrustaciones de los sujetos a un espacio latente compartido $Z$, imponiendo consistencia de ciclo en el grafo de sujetos.

Resultados Clave

Rendimiento Dentro del Sujeto

El codificador auto-supervisado extrae con éxito representaciones estables de estímulos a partir de datos de fMRI ruidosos.

• Recuperación: El modelo logra una Clasificación Media (Mean Rank) de 5.28 (azar = 258) y un R@1 de 0.82 al recuperar imágenes coincidentes a través de repeticiones dentro del mismo sujeto.
• Comparación: Esto supera a las líneas base neuronales directas (GLMsingle, PCA), a los métodos auto-supervisados de múltiples vistas (SplitAE, DeepCCA) y a las líneas base guiadas por modelos (CLIP, DINOv2). La auto-supervisión basada en repeticiones recupera información a nivel de instancia más fuerte que los codificadores guiados externamente.

Traducción entre Sujetos (No Supervisada)

El método traduce con éxito las incrustaciones entre sujetos utilizando únicamente datos no emparejados.

• Rendimiento: En imágenes compartidas retenidas, la traducción ortogonal no supervisada logra una Clasificación Media de 2.56 y un R@1 de 0.78 entre pares de sujetos.
• Líneas Base: Esto supera significativamente a los controles de "sin traducción" (Clasificación Media ~189) y al emparejamiento de transporte óptimo. También supera a las líneas base guiadas por modelos (por ejemplo, CLIP, ViT) que dependen de espacios de características externos.
• Geometría: Los altos puntajes del Análisis de Similitud Representacional (RSA) indican que los espacios específicos del sujeto son aproximadamente isométricos.

Espacio Latente Compartido

Sincronizar las rotaciones por pares en un único espacio compartido mejora aún más el rendimiento.

• Mejora: La sincronización global reduce la Clasificación Media promedio de 2.47 (por pares) a 1.97 y aumenta el R@1 de 0.79 a 0.83.
• Implicación: Esto confirma que los espacios de sujetos aprendidos de forma independiente son mutuamente compatibles con un sistema de coordenadas común.

Alineación Modelo-Cerebro

Al mapear las incrustaciones neuronales recuperadas a capas de redes neuronales artificiales (ANN) mediante mapas lineales supervisados:

• La regresión de cresta mejora la recuperación (Clasificación Media ~5.86) en comparación con los mapas semi-ortogonales, lo que indica que las ANN capturan información de estímulos relevante.
• Sin embargo, estos mapeos supervisados siguen siendo inferiores a la traducción no supervisada cerebro a cerebro (Clasificación Media 1.97). Esto sugiere que, aunque las ANN comparten información con el cerebro, no comparten las mismas transformaciones geométricas casi isométricas observadas entre sujetos humanos.

Significado y Afirmaciones

El artículo afirma proporcionar la primera evidencia de que la Hipótesis de la Representación Platónica Fuerte se cumple para los sistemas neuronales biológicos. Específicamente:

1. Geometría Compartida: Las representaciones de fMRI específicas del sujeto en la corteza visual humana son aproximadamente isométricas entre individuos.
2. Espacio Latente Universal: Estas representaciones pueden traducirse a un sistema de coordenadas compartido utilizando transformaciones puramente geométricas (rotaciones ortogonales) aprendidas a partir de datos intrínsecos, sin muestras emparejadas entre sujetos ni anclajes de modelos externos.
3. Implicaciones Prácticas: Esta geometría compartida sugiere que los datos, codificadores y decodificadores aprendidos de un sujeto podrían transferirse potencialmente a otro, reduciendo la necesidad de una calibración extensiva específica del sujeto en aplicaciones como la decodificación de fMRI a imágenes o la generación de datos neuronales sintéticos.

Los autores permanecen modestos respecto a las limitaciones, señalando que el análisis depende de datos de fMRI de alta calidad con repeticiones y que el procedimiento de traducción no emparejada es sensible a la inicialización. No afirman que las ANN actuales repliquen perfectamente la geometría humana, sino más bien que el cerebro posee una estructura universal recuperable con la que los modelos aún no se han alineado completamente mediante transformaciones isométricas.