🧠 neuroscience

Neural prediction decorrelation reveals that adversarial robustness substantially improves DNN prediction accuracy across the entire human auditory cortex

Este estudio introduce la decorrelación de predicción neuronal (NPD), un método que sintetiza estímulos para revelar que las redes neuronales profundas adversariamente robustas superan significativamente a los modelos estándar en la predicción de las respuestas de la corteza auditiva humana en todas las regiones, una superioridad que permanece indetectable cuando se utilizan únicamente sonidos naturales.

Autores originales: Skrill, D., Feather, J., Norman-Haignere, S. V.

Publicado 2026-08-11

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Skrill, D., Feather, J., Norman-Haignere, S. V.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Imagina intentar descubrir cómo funciona el motor de un coche escuchándolo únicamente mientras circula por una autopista perfectamente recta y vacía. Podrías oír el zumbido del motor, el rodar de los neumáticos y el silbido del viento, pero te perderías los complejos cambios de marcha, la mezcla de combustible y la activación de los frenos porque la carretera es demasiado suave y predecible. Esto es un poco como lo que enfrentan los científicos cuando intentan comprender el cerebro humano. Durante décadas, los investigadores han construido modelos informáticos para adivinar cómo nuestro cerebro procesa los sonidos, como el habla o la música. Prueban estos modelos reproduciendo sonidos naturales y viendo si la "suposición" de la computadora coincide con la actividad eléctrica real del cerebro. El problema es que muchos modelos informáticos diferentes, incluso aquellos que han sido construidos de formas muy distintas, parecen dar exactamente la misma respuesta al escuchar sonidos naturales. Es como tener dos aplicaciones de GPS diferentes que ambas te dicen que gires a la izquierda en la calle Main; no puedes saber cuál es realmente más inteligente porque ambas son correctas para ese viaje específico.

Para resolver esto, los científicos necesitan encontrar una manera de hacer que los modelos discrepen. Necesitan reproducir un sonido que haga que un modelo diga: "Eso es un perro ladrando", y el otro diga: "Eso es el claxon de un coche", mientras el cerebro está escuchando. Si pueden hacer eso, pueden ver qué modelo está realmente más cerca de cómo funciona el cerebro humano. Este es el desafío central de la neurociencia sensorial: ¿cómo distinguimos entre dos modelos que parecen idénticos cuando se prueban con las cosas que ya conocemos? Si no podemos distinguirlos, no podemos estar seguros de cuál está capturando realmente los secretos del cerebro, y no podemos usar el mejor para diseñar nuevos sonidos o comprender los trastornos auditivos.

Este artículo presenta un truco ingenioso llamado "Descorrelación de Predicción Neuronal" (NPD, por sus siglas en inglés) para agitar las cosas. Los investigadores tomaron dos tipos de redes neuronales profundas (DNN)—una estándar y otra que había sido entrenada para ser "adversariamente robusta" (es decir, más difícil de engañar con ruidos extraños)—y les pidieron que predijeran cómo reaccionaría la corteza auditiva humana ante una serie de sonidos. Cuando utilizaron sonidos naturales, ambos modelos funcionaron de forma casi idéntica, tal como las dos aplicaciones de GPS en la autopista recta. Las predicciones de los modelos eran tan similares que el cerebro tampoco podía distinguirlos.

Pero luego, los científicos utilizaron un algoritmo especial para inventar 60 sonidos completamente nuevos. Estos no eran solo ruidos aleatorios; fueron cuidadosamente diseñados para forzar a los dos modelos a realizar predicciones completamente diferentes. Piensa en ello como un truco de magia donde el científico le susurra un código secreto a los modelos para que se peleen entre sí. Cuando reprodujeron estos nuevos "sonidos NPD" a personas dentro de una máquina de resonancia magnética, los resultados fueron dramáticos. El modelo estándar, que había sido excelente con los sonidos naturales, de repente falló en casi todo. Sus predicciones cayeron casi a cero. Sin embargo, el modelo "adversariamente robusto" no solo sobrevivió, sino que mantuvo una alta precisión al predecir las reacciones del cerebro, a pesar de no haber escuchado nunca estos sonidos extraños.

El artículo sugiere que esta diferencia estaba completamente oculta cuando solo se utilizaban sonidos naturales. El modelo robusto había aprendido una forma de entender el sonido más profunda y flexible de la que el modelo estándar se había perdido. Es como si el modelo estándar solo hubiera memorizado la autopista, mientras que el modelo robusto realmente aprendió las reglas de la conducción. Los investigadores también comprobaron que estos nuevos sonidos no estaban confundiendo al cerebro de una manera extraña. Descubrieron que la reacción del cerebro a estos sonidos sintéticos todavía encajaba perfectamente en el mismo "mapa" que los sonidos naturales, agrupándose con elementos como el habla o el agua corriendo. Esto significa que el modelo robusto no tuvo suerte por azar; había encontrado una mejor manera de describir cómo nuestros cerebros manejan el sonido, una que funciona incluso cuando los sonidos son extraños e impredecibles.

El estudio argumenta explícitamente en contra de la idea de que los sonidos naturales son suficientes para decirnos qué modelo informático es el mejor. Demuestran que confiar únicamente en estímulos naturales puede ocultar enormes diferencias en cómo funcionan los modelos. También descartan la idea de que el modelo robusto estuviera simplemente sobreajustándose a los datos de entrenamiento, porque generalizó perfectamente a estos sonidos sintéticos completamente nuevos que nunca había visto. Los autores están bastante seguros de sus hallazgos, ya que midieron este efecto en múltiples regiones de la corteza auditiva en nuevos grupos de personas que nunca habían escuchado estos sonidos. Sugieren que esta "robustez" es un ingrediente clave para construir modelos que puedan realmente controlar o predecir cómo nuestro cerebro responde al sonido, abriendo la puerta al diseño de sonidos que puedan dirigirse a partes específicas del cerebro en el futuro.

Resumen Técnico: La Descorrelación de la Predicción Neural revela que la Robustez Adversaria mejora sustancialmente la precisión de la predicción de las DNN

Planteamiento del Problema
Un desafío central en la neurociencia sensorial es distinguir entre distintos modelos de codificación que predicen las respuestas neurales a estímulos naturales complejos con una precisión similar. Aunque las Redes Neuronales Profundas (DNN) han surgido como herramientas poderosas para modelar computaciones neurales, las DNN estándar y las adversariamente robustas suelen arrojar predicciones indistinguibles para sonidos naturales, como el habla. Esta similitud se atribuye frecuentemente a estructuras de modelos compartidas o a limitaciones en la resolución de la medición neural. Sin embargo, este artículo postula que la similitud también puede derivar del conjunto de estímulos en sí: si los modelos se prueban solo con estímulos que provocan predicciones correlacionadas, los datos neurales no pueden revelar qué modelo se alinea mejor con el cerebro. Los autores hipotetizan que la robustez adversaria, que mejora la alineación entre las decisiones humanas y los modelos en tareas conductuales, podría no estar capturada por los conjuntos de estímulos naturales estándar.

Metodología
Para abordar la limitación de las predicciones correlacionadas en estímulos naturales, los autores desarrollaron un método denominado Descorrelación de la Predicción Neural (NPD, por sus siglas en inglés).

Síntesis de Estímulos: A diferencia de los enfoques tradicionales que optimizan los modelos para estímulos fijos, el NPD optimiza los propios estímulos. El método sintetiza un nuevo conjunto de sonidos diseñados para descorrelacionar las predicciones de modelos de codificación competidores (específicamente, una DNN estándar y una DNN adversariamente robusta) a través de una población neural objetivo (voxeles de fMRI en la corteza auditiva).
Objetivo de Optimización: El algoritmo minimiza una función de pérdida que impulsa la covarianza entre las predicciones de diferentes modelos hacia cero, mientras mantiene simultáneamente una alta varianza en las predicciones. Esto asegura que los sonidos sintetizados provoquen respuestas fuertes y distintas de cada modelo. La matriz de covarianza objetivo establece los elementos fuera de la diagonal (covarianza) en cero y los elementos de la diagonal (varianza) en un valor alto (5× la variancia de los sonidos naturales).
Diseño Experimental:
- Entrenamiento del Modelo: Los autores utilizaron una DNN estándar (CochResNet50) y una arquitectura idéntica entrenada con robustez adversaria (usando restricciones de norma $l_2$ , $\epsilon=1.0$ ). Ambas fueron entrenadas en el reconocimiento de palabras en ruido de fondo.
- Fuentes de Datos: El estudio aprovechó los datos de tres experimentos: NH2015 y B2021 (sonidos naturales) para ajustar los modelos de codificación iniciales y sintetizar los sonidos NPD, y un nuevo experimento (S2026) para probar estos sonidos en participantes no superpuestos.
- Evaluación: Los autores midieron las respuestas de fMRI a 60 sonidos sintetizados mediante NPD y compararon la precisión de la predicción del modelo estándar frente al robusto. También analizaron la organización de baja dimensión de estas respuestas utilizando UMAP y el Análisis de Componentes Principales (PCA).

Resultados Clave

Enmascaramiento con Sonidos Naturales: Consistente con hallazgos previos, los modelos estándar y robusto mostraron una precisión de predicción neural virtualmente idéntica para los sonidos naturales en todas las regiones probadas de la corteza auditiva (por ejemplo, giro de Heschl, planum temporale). La métrica de disimilitud entre sus precisiones fue cercana a cero.
Desenmascaramiento con Sonidos NPD: Al ser probados con los sonidos sintetizados mediante NPD, surgió una divergencia dramática. El modelo adversariamente robusto mantuvo una fuerte precisión de predicción (correlaciones que oscilan entre ~0.54 y 1.0 en todas las regiones), mientras que la precisión de predicción del modelo estándar cayó a casi cero. Este efecto se observó en cada región anatómica probada y fue robusto en participantes no incluidos en el entrenamiento (held-out participants).
Subespacio Neural Compartido: A pesar de las divergentes predicciones de los modelos, los patrones de respuesta neural evocados por los sonidos NPD se superpusieron significativamente con los de los sonidos naturales. Tanto los sonidos naturales como los sonidos NPD ocuparon un subespacio de baja dimensión compartido e interpretable, organizado por categorías de sonido y características acústicas (por ejemplo, estructuras similares al habla agrupadas con el habla natural).
Generalización: El modelo robusto, ajustado únicamente con sonidos naturales, predijo con éxito las respuestas neurales a los sonidos sintetizados mediante NPD. En contraste, el modelo estándar falló al generalizar a este nuevo espacio de estímulos, lo que sugiere que sus representaciones internas están limitadas a las estadísticas de los estímulos naturales.

Significancia y Reivindicaciones
El artículo afirma que el NPD proporciona un enfoque general para comparar modelos de codificación mediante la síntesis de estímulos que desacoplan explícitamente las predicciones de los modelos. El hallazgo principal es que la robustez adversaria expande sustancialmente el poder predictivo de las DNN más allá de los estímulos naturales.

Comparación de Modelos: El estudio demuestra que la equivalencia aparente de los modelos estándar y robustos en sonidos naturales es un artefacto del conjunto de estímulos. El NPD revela que los modelos robustos capturan computaciones neurales que los modelos estándar omiten, específicamente aquellas requeridas para generalizar a espacios de estímulos no naturales y descorrelacionados.
Control de la Población Neural: Los resultados sugieren que el entrenamiento adversario permite que los modelos soporten el "control de la población neural": la capacidad de sintetizar estímulos que evocan patrones de respuesta neural específicos y dirigidos. Mientras que los modelos estándar luchan por controlar la actividad neural fuera de la distribución estrecha de los sonidos naturales sin una regularización pesada, los modelos robustos pueden hacerlo de forma natural.
Implicaciones Amplias: Los autores concluyen que la robustez adversaria es crítica para dirigir la actividad de la población a través de la síntesis de estímulos. Esto expande la utilidad de las DNN en la neurociencia sensorial, permitiendo el diseño de experimentos que sondean los mecanismos neurales más allá de las restricciones de los estímulos naturales.

El artículo mantiene una postura modesta en su alcance, señalando que, si bien el NPD revela una brecha de rendimiento, esto no implica necesariamente que el modelo robusto sea el único modelo correcto, sino que es superior en su capacidad para generalizar a través de un espacio de estímulos más amplio definido por el objetivo de descorrelación.

Más como este