Stimulus symmetries can confound representational similarity analyses
本文表明，刺激对称性会导致功能等效的神经表征产生不同的表征相似性矩阵，从而混淆表征相似性分析，进而使非线性神经编码的比较变得复杂。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
以下是用通俗语言和日常类比对该论文的解读。
核心思想：“地图”问题
想象你试图理解一座城市的布局。你有一张地图，但你意识到这张地图是可以旋转的。如果你将地图旋转 90 度，北方现在指向东方。城市本身没有改变，图书馆和公园之间的距离也完全一样。然而，如果你查看地图上的坐标，数字却完全变了。
在人工智能和神经科学领域，科学家使用一种称为**表征相似性矩阵（RSM）**的工具，来比较不同的大脑或计算机网络如何“看待”世界。你可以把 RSM 想象成一张记分卡，上面写着：“大脑对猫的反应与对狗的反应有多相似？”
本文认为，RSM 可能会被对称性所误导。就像旋转后的地图一样，两个网络（或大脑）在功能上可能在做完全相同的工作，但如果它们在内部数学运算中的“旋转”方式不同，RSM 记分卡就会说它们完全不同。
核心问题：“规范”变量
作者引入了一个他们称为**“规范”（gauge）**的概念。
类比：铺设地板
想象你用方形瓷砖铺设一个圆形的地板。
- 对称性：因为地板是一个完美的圆形，所以从何处开始放置第一块瓷砖并不重要。你可以从“顶部”（12 点钟方向）开始，也可以从“右侧”（3 点钟方向）开始。
- 功能：无论从哪里开始，地板都能被完美覆盖。任务完成了。
- 规范：你选择的具体起始角度就是“规范”。这是一个不会改变结果（覆盖好的地板）的选择，但它会改变瓷砖的排列方式。
论文表明，当神经网络学习去覆盖一个“圆形”概念（如物体的朝向）时，它们会自然地选择一个起始角度（即规范）。由于这些网络的数学是非线性的（不是简单的直线），改变这个起始角度并不会只是平滑地旋转整个图像。相反，它会扭曲瓷砖之间的关系。
结果：两个功能完全相同的网络（都能完美覆盖地板），仅仅因为一个从 12 点钟方向开始铺砖，而另一个从 3 点钟方向开始，就可能导致完全不同的 RSM 记分卡。
为何这很重要：“漂移”的代码
本文还探讨了当这些网络随时间进行训练时会发生什么，就像学生学习一门学科一样。
类比：漂移的指南针
想象一群探险家试图绘制一个洞穴的地图。他们都同意洞穴的形状（功能）。然而，随着他们深入前行，他们的指南针会慢慢漂移。
- 过去，科学家认为如果“地图”（RSM）发生了变化，那么探险家们一定改变了对洞穴的理解。
- 本文表明，探险家们可能仍然非常了解洞穴，但他们的指南针（规范）只是在随机漂移。
作者发现，标准的训练方法（如随机梯度下降）甚至是“节能”规则（让网络使用更少的活跃神经元）都无法阻止这种漂移。网络会不断找到新的、有效的铺砖方式，但每一种新方式在 RSM 记分卡上看起来都不同。
现实世界的测试：旋转的图像
为了证明这不仅仅是一个数学玩具，作者在真实图像（来自日本手写数据集的数字）上进行了测试。
- 他们训练网络无论数字如何旋转都能识别它。
- 他们发现，尽管网络能够完美识别数字，但随着网络的学习，“内部地图”（RSM）一直在变化。
- 关键的是，他们表明，如果你取两个学习了相同内容的网络，但其中一个的“起始角度”（规范）略有不同，RSM 会说它们非常不同，尽管它们在功能上是相同的。
结论
本文得出结论，如果数据具有对称性（如旋转），我们就不能信任 RSM 来告诉我们两个神经编码是相同还是不同。
如果你使用 RSM 比较两个大脑或两个 AI 模型，而它们给出了不同的分数，这可能并不意味着它们的思维方式不同。这可能仅仅意味着它们使用了不同的“规范”或起点来解决同一个问题。本文警告研究人员，需要小心，不要将这些无害的数学偏移误认为是大脑或机器工作方式上的有意义差异。
简而言之：仅仅因为两张地图在纸上看起来不同，并不意味着它们描述的是不同的城市。它们可能只是旋转角度不同，而在神经网络复杂且非线性的世界中，这种旋转会以令人困惑的方式改变记分卡上的数字。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。