AI神经对齐突破：双向预测性暴涨55%！
Bidirectional representational alignment between biological and artificial neural networks
👨💼 主理人解读 · 为什么值得关注
研究生物与人工神经网络表征对齐的不对称性，探索几何结构对双向对齐的影响，助力理解模型与大脑的相似性。
📖 AI 总结
这篇论文研究了生物神经网络与人工神经网络之间的表征对齐不对称性问题。以往研究发现，模型表征预测神经反应的能力远强于神经反应预测模型表征的能力，这种不对称性促使研究者探索表征几何结构是否影响双向对齐。作者提出一个整合谱正则化与双向预测分析的计算框架，并在自监督对比视觉模型上进行了验证。实验结果表明，通过调控学习表征的谱几何结构，反向预测能力显著提升，而正向预测仅有轻微下降，双向预测能力相对提高了55%。同时，表征的有效维度降低，共享表征子空间发生重组，在中等谱指数条件下正反向预测趋于对称。该研究证明表征几何结构可以被系统性地调控，从而调节生物与人工神经网络之间的双向对齐程度，为理解两类网络间的表征关系提供了新的方法路径。
🔑 关键词速览
| representational alignment | 指生物神经网络与人工神经网络在内部表征上的对应程度，衡量两者编码信息的相似性。 |
| bidirectional predictivity | 双向预测性，包括正向预测性（模型预测神经反应）和反向预测性（神经反应预测模型），用于评估表征对齐的方向性。 |
| spectral regularization | 谱正则化，一种通过调整表征的谱几何（如特征值分布）来约束模型学习的技术。 |
| self-supervised contrastive vision models | 自监督对比视觉模型，一种无需人工标注、通过对比学习训练的图像识别模型。 |
| effective dimensionality | 有效维度，指表征空间中实际用于编码信息的维度数量，反映表征的紧凑性和复杂度。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅