刺激对称性可能混淆表征相似性分析

arXiv:2605.21324v2 公告类型：replace-cross 摘要：表征相似性矩阵（RSM）能告诉我们关于神经编码的哪些信息？随着这些汇总统计量日益流行，对其性质进行更完整刻画的需求也随之增长。在此，我们展示了网络输入中的对称性可能混淆基于 RSM 的分析。刺激对称性使许多表征在功能上等价，但这些不同的配置可能产生不同的 RSM。这些不同的 RSM 反映了定性上不同的表征几何结构，其范围从解耦编码到最大混合编码。我们展示了随机梯度下降或能量正则化能够生成稀疏且漂移的编码，进而导致漂移的 RSM。此外，我们证明，在经过训练以编码图像数据的网络中也存在这些现象，此时对称性是潜在的。当功能等价的表征并非通过简单旋转相互关联时，我们的结果阐明了比较非线性神经编码所固有的挑战。