Resumo Técnico: Representações Platônicas no Cérebro Humano

Declaração do Problema

A Hipótese Forte de Representação Platônica postula que redes neurais artificiais treinadas independentemente convergem para representações geometricamente similares, permitindo que embeddings sejam traduzidos entre modelos através de um espaço latente universal sem dados pareados ou entradas compartilhadas. Embora existam evidências disso em sistemas artificiais de visão e linguagem, permanece desconhecido se este princípio se estende a sistemas neurais biológicos.

Métodos existentes de neurociência para alinhar dados cerebrais entre sujeitos (por exemplo, hiperalinhamento) geralmente dependem de estímulos compartilhados para estabelecer correspondências entre sujeitos ou dependem de espaços de referência externos (por exemplo, características derivadas de modelos). A questão central abordada por este artigo é se uma geometria neural compartilhada pode ser recuperada a partir de representações cerebrais aprendidas independentemente, utilizando apenas a geometria intrínseca das respostas neurais e sem amostras pareadas entre sujeitos ou representações intermediárias de modelos.

Metodologia

Os autores propõem um framework de três etapas para testar esta hipótese usando o Conjunto de Dados de Cenas Naturais (NSD), onde 8 sujeitos visualizaram imagens naturais complexas. Crucialmente, o método utiliza imagens específicas do sujeito e não compartilhadas para o aprendizado e um conjunto retido de imagens compartilhadas exclusivamente para avaliação.

1. Aprendizado de Embeddings que Preservam Geometria (Específico do Sujeito)

Para cada sujeito $s$, um codificador auto-supervisionado $f_s$ mapeia respostas de fMRI $X^{(s)}$ para um espaço de embedding de baixa dimensão $Z^{(s)}$.

• Auto-supervisão via Repetição: O método explora apresentações repetidas de estímulos. Em vez de média das repetições (o que assume independência), o codificador trata-as como vistas ruidosas de um sinal latente estável.
• Pipeline:
  1. Ponderação de Confiabilidade de Vóxeis: Vóxeis são reponderados com base em sua correlação entre repetições para suprimir ruído.
  2. Projeção Linear: Respostas ponderadas por confiabilidade são projetadas via PCA, seguidas por Análise de Correlação Canônica Multivista (MCCA) para extrair componentes compartilhados entre as vistas.
  3. Refinamento Não Linear: Um Perceptron Multicamadas (MLP) residual refina o embedding linear. O modelo é treinado usando uma perda contrastiva InfoNCE e um termo de atração por cosseno para garantir que embeddings da mesma imagem (entre diferentes repetições) estejam próximos, enquanto embeddings de imagens diferentes sejam separados.
• Objetivo: Aprender um espaço de embedding $Z^{(s)}$ que reflita a organização intrínseca das respostas de estímulos do sujeito sem orientação externa.

2. Tradução Par a Par entre Cerebros

Dado embeddings aprendidos independentemente $\{Z^{(s)}\}$, os autores buscam transformações ortogonais $R_{s \to t}$ para traduzir o espaço do sujeito $s$ para o espaço do sujeito $t$ sem dados pareados.

• Pseudo-correspondência: Como não há imagens compartilhadas disponíveis durante o treinamento, o método constrói pares pseudo-emparelhados agrupando o espaço de embedding de cada sujeito (K-means) e combinando centróides com base em estruturas de similaridade par a par.
• Refinamento Iterativo: Uma abordagem iterativa semelhante ao Ponto Mais Próximo Iterativo (ICP) refina a solução de Procrustes ortogonal.
• Simetrização: A rotação resultante é simetrizada para garantir $R_{t \to s} = R_{s \to t}^\top$, um requisito para consistência global.

3. Construção de Espaço Latente Compartilhado (Sincronização Global)

Para ir além das traduções par a par e estabelecer um único sistema de coordenadas coerente, os autores resolvem um problema de sincronização ortogonal sobre o grupo $O(d)$.

• Uma matriz de blocos de rotações par a par é construída.
• Um método espectral recupera uma única transformação ortogonal $R_s$ para cada sujeito tal que $R_{s \to t} \approx R_s R_t^\top$.
• Isso mapeia todos os embeddings dos sujeitos para um espaço latente compartilhado $Z$, impondo consistência de ciclo no grafo de sujeitos.

Principais Resultados

Desempenho Dentro do Sujeito

O codificador auto-supervisionado extrai com sucesso representações de estímulos estáveis de dados de fMRI ruidosos.

• Recuperação: O modelo atinge uma Média de Rank de 5,28 (chance = 258) e R@1 de 0,82 na recuperação de imagens correspondentes entre repetições dentro do mesmo sujeito.
• Comparação: Isso supera baselines neurais diretas (GLMsingle, PCA), métodos auto-supervisionados multivista (SplitAE, DeepCCA) e baselines guiadas por modelo (CLIP, DINOv2). A auto-supervisão baseada em repetição recupera informações mais fortes em nível de instância do que codificadores guiados externamente.

Tradução entre Sujeitos (Não Supervisionada)

O método traduz com sucesso embeddings entre sujeitos usando apenas dados não pareados.

• Desempenho: Em imagens compartilhadas retidas, a tradução ortogonal não supervisionada atinge uma Média de Rank de 2,56 e R@1 de 0,78 entre pares de sujeitos.
• Baselines: Isso supera significativamente controles de "sem tradução" (Média de Rank ~189) e correspondência de transporte ótimo. Também supera baselines guiadas por modelo (por exemplo, CLIP, ViT) que dependem de espaços de características externos.
• Geometria: Os altos escores de Análise de Similaridade Representacional (RSA) indicam que os espaços específicos do sujeito são aproximadamente isométricos.

Espaço Latente Compartilhado

Sincronizar rotações par a par em um único espaço compartilhado melhora ainda mais o desempenho.

• Melhoria: A sincronização global reduz a Média de Rank média de 2,47 (par a par) para 1,97 e aumenta o R@1 de 0,79 para 0,83.
• Implicação: Isso confirma que os espaços de sujeitos aprendidos independentemente são mutuamente compatíveis com um sistema de coordenadas comum.

Alinhamento Modelo-Cérebro

Ao mapear os embeddings neurais recuperados para camadas de redes neurais artificiais (RNA) via mapas lineares supervisionados:

• A regressão de crista melhora a recuperação (Média de Rank ~5,86) em comparação com mapas semi-ortogonais, indicando que as RNAs capturam informações de estímulos relevantes.
• No entanto, esses mapeamentos supervisionados permanecem inferiores à tradução cérebro-a-cérebro não supervisionada (Média de Rank 1,97). Isso sugere que, embora as RNAs compartilhem informações com o cérebro, elas não compartilham as mesmas transformações geométricas quase isométricas observadas entre sujeitos humanos.

Significado e Alegações

O artigo alega fornecer a primeira evidência de que a Hipótese Forte de Representação Platônica vale para sistemas neurais biológicos. Especificamente:

1. Geometria Compartilhada: Representações de fMRI específicas do sujeito no córtex visual humano são aproximadamente isométricas entre indivíduos.
2. Espaço Latente Universal: Essas representações podem ser traduzidas para um sistema de coordenadas compartilhado usando transformações puramente geométricas (rotações ortogonais) aprendidas a partir de dados intrínsecos, sem amostras pareadas entre sujeitos ou âncoras de modelos externos.
3. Implicações Práticas: Essa geometria compartilhada sugere que dados, codificadores e decodificadores aprendidos de um sujeito poderiam potencialmente ser transferidos para outro, reduzindo a necessidade de calibração extensiva específica do sujeito em aplicações como decodificação de fMRI para imagem ou geração de dados neurais sintéticos.

Os autores permanecem modestos quanto às limitações, observando que a análise depende de dados de fMRI de alta qualidade com repetições e que o procedimento de tradução não pareada é sensível à inicialização. Eles não afirmam que as RNAs atuais replicam perfeitamente a geometria humana, mas sim que o cérebro possui uma estrutura universal recuperável com a qual os modelos ainda não se alinharam totalmente por meio de transformações isométricas.