Task-optimized neural networks reveal distinct contributions of specialized and broader visual learning to neural representations of face familiarity
이 연구는 소스 분해 MEG와 과업 최적화 신경망을 결합함으로써, 얼굴 친숙도 처리가 중간 시각 영역은 정밀한 타이밍을 위해 얼굴 특화 훈련에 의존하는 반면 방추상 피질의 표현은 더 넓은 시각 학습 목표와 일치하는 단계별 해리 과정을 포함한다는 것을 입증한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기
인간의 뇌는 인식의 명수입니다. 뇌는 단 몇 분의 일 초 만에 군중 속에서 친구를 식별하고, 익숙한 얼굴과 낯선 얼굴을 구별하며, 복잡한 사물의 세계를 탐색할 수 있습니다. 수십 년 동안 과학자들은 이것이 어떻게 가능한지, 특히 얼굴과 관련하여 논쟁해 왔습니다. 한 학파는 뇌가 얼굴을 위해 독점적으로 진화한 고유한 회로, 즉 얼굴만을 처리하기 위해 설계된 특화된 하드웨어를 가지고 있다고 제안합니다. 또 다른 관점은 얼굴 인식이 의자나 자동차와 같은 모든 사물을 인식하는 데 사용하는 일반적인 시스템의 매우 정교한 버전일 뿐이라고 주장합니다. 진실은 아마도 그 중간 어디쯤에 있을 것이지만, 뇌가 일반적인 사물 처리에서 특정 얼굴 전문성으로 정확히 언제, 어디서 전환되는지를 밝혀내는 것은 어려웠습니다. 이는 인간의 전문성이 평생에 걸쳐 구축되기 때문입니다. 우리는 사람의 가족에 대한 기억을 지워 그들의 뇌가 어떻게 반응하는지 볼 수도 없고, 그들의 뇌를 얼굴을 또 다른 객체 범주로 취급하도록 쉽게 재훈련할 수도 없습니다.
이 퍼즐을 풀기 위해 연구자들은 다른 종류의 관찰자인 인공 신경망에 주목했습니다. 인공 신경망은 뇌의 구조를 모방하도록 설계된 컴퓨터 프로그램으로, 패턴을 인식하는 능력을 갖추고 있습니다. 과학자들은 이 네트워크들을 다양한 작업에 훈련시킴으로써—어떤 것은 특정 인물을 식별하도록, 다른 것은 일반적인 사물을 분류하도록—통제된 시각적 경험 모델을 만들 수 있었습니다. 그런 다음 그들은 이 네트워크들의 내부적 '생각'을 실제 인간 뇌의 전기적 활동과 비교했습니다. 목표는 어떤 종류의 학습이 뇌의 어느 부분과 일치하는지를 확인하여, 얼굴 인식이 전문화되는 정확한 시점과 장소를 밝혀내는 것이었습니다.
연구는 우리가 보는 것을 처리하는 경로인 복측 시각 경로(ventral visual stream)에 집중했습니다. 연구진은 두 가지 핵심 영역에 주목했습니다. 하나는 형태와 사물을 인식하는 데 관여하는 측두 후두 피질(lateral occipital cortex)이고, 다른 하나는 얼굴 처리에 연관된 것으로 유명한 방추상 피질(fusiform cortex)입니다. 연구진은 뇌 활동이 생성하는 자기장을 밀리초 단위의 정밀도로 측정하는 뇌자도(MEG) 기술을 사용했습니다. 이를 통해 참가자들이 세 가지 유형의 이미지, 즉 알고 있는 유명인의 얼굴, 모르는 낯선 사람의 얼굴, 그리고 노이즈처럼 보이는 섞인 얼굴 이미지를 볼 때 뇌의 반응이 어떻게 전개되는지 실시간으로 관찰할 수 있었습니다.
이 방대한 데이터를 해석하기 위해 연구팀은 7개의 서로 다른 컴퓨터 네트워크를 구축했습니다. 일부는 유명인의 얼굴과 같은 특정 정체성을 인식하도록 훈련되었습니다. 다른 네트워크는 얼굴을 하나의 카테고리로 취급하면서 "개"나 "자동차"와 같이 넓은 범주로 사물을 분류하도록 훈련되었습니다. 세 번째 그룹은 사물과 얼굴을 모두 인식하지만, 개별적인 얼굴을 구별하지는 않는 방식으로 훈련되었습니다. 마지막으로 대조군 역할을 할 훈련되지 않은 네트워크들도 있었습니다. 이 네트워크들에 동일한 얼굴 이미지를 입력하고 그 결과 나타나는 패턴을 인간의 뇌 스캔과 비교함으로써, 연구진은 뇌의 활동이 컴퓨터의 '학습'과 정확히 어디에서 일치하는지를 지도화할 수 있었습니다.
결과는 친숙함이 어떻게 처리되는지에 대한 매혹적인 분리를 보여주었습니다. 중간 단계의 사물 처리를 담당하는 영역인 측두 후 후두 피질에서, 뇌의 반응 타이밍은 친숙도에 따라 극적으로 변했습니다. 참가자들이 익숙한 얼굴을 볼 때, 뇌의 활동은 익숙하지 않은 얼굴을 볼 때보다 약 18밀리초 더 빠르게 컴퓨터 모델과 일치했습니다. 이 속도 향상은 특정 개인을 식별하도록 특별히 훈련된 컴퓨터 모델에서 가장 일관되게 나타났습니다. 이는 익숙한 얼굴의 경우, 뇌가 처리 과정의 약간 더 이른 단계에서 인식을 완료한다는 것을 시사하지만, 이 효과는 시스템이 특정 개인을 식별하도록 조정되었을 때 가장 긴밀하게 조직됩니다.
그러나 뇌의 더 깊은 곳에서 상세한 얼굴 분석과 관련된 방추상 피로 들어가면 이야기가 달라졌습니다. 여기서 친숙도는 뇌의 반응을 더 빠르게 만드는 것이 아니라, 뇌의 반응을 더 강하게 만들고 컴퓨터 모델과 더 잘 일치하게 만들었습니다. 결정적으로, 이러한 더 강한 반응은 컴퓨터 모델이 어떻게 훈련되었는지와 관계없이 나타났습니다. 네트워크가 얼굴 전문가이든, 사물 분류기이든, 혹은 일반적인 학습자이든 상관없이, 익숙한 얼굴을 볼 때 인간의 방추상 피질은 견고하고 강화된 연결성을 보였습니다. 이 발견은 뇌의 얼굴 특화 영역이 오직 고유한, 얼굴 전용 학습 경로에만 의존한다는 생각을 반박합니다. 대신, 이는 익숙한 얼굴을 인식하는 능력이 특정 얼굴에 대한 전문적인 훈련뿐만 아니라, 더 넓은 시각적 학습으로부터도 생겨날 수 있음을 시사합니다.
이 연구는 얼굴 인식이 단일한 '전부 아니면 전무(all-or-nothing)'의 과정이라는 관념을 효과적으로 배제합니다. 연구는 뇌가 서로 다른 단계에서 서로 다른 전략을 사용한다는 것을 보여줍니다. 처리의 중간 단계에서 뇌의 타이밍은 개인을 식별하려는 구체적인 목표에 의해 날카로워집니다. 그러나 후기 단계에서 익숙한 얼굴을 표현하는 뇌의 능력은 유연하며, 일반적인 시각적 경험에 의해 뒷받인될 수 있습니다. 이는 특정 인물을 식별하는 법을 배우는 것이 인식의 속도를 정교하게 만들 수는 있지만, 익숙한 얼굴에 대한 깊고 안정적인 표상은 전문적인 얼굴 전용 훈련 체계가 필요하지 않은 더 일반적인 능력임을 의미합니다. 결국 뇌는 단일한 얼굴 스위치를 가진 경직된 기계가 아니라, 학습한 내용과 정보가 시각적 계층 구조의 어디에 위치하느냐에 따라 처리 속도와 강도를 조절하는 역동적인 시스템입니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.