Synthesizing images to map neural networks to the human brain
Notice bibliographique
Résumé
Computational models can be used to generate hypotheses about the brain. In the visual system, this approach has revealed similarities between how natural images are represented in convolutional neural networks and in cortical regions. However, natural images generate highly correlated representations across the hierarchy of model layers, meaning that each brain region will not correspond selectively to a single layer. Because each model layer performs additional image transformations, gaining a more selective mapping between individual layers and regions could reveal how specific algorithmic stages of processing are instantiated in the brain. To enable this mapping, we developed a generative framework for image synthesis that minimizes the similarity of image representational similarity matrices across model layers, aiming to orthogonalize the distances between the patterns of unit activations evoked by the same set of images. With the patterns orthogonalized, the resulting similarity matrix for each layer provides a fingerprint of the unique computational role of that layer. To test this approach, we synthesized 16 artificial images from the Inception-V1/GoogLeNet model and scanned participants with fMRI while they viewed these images repeatedly in random order. Image-specific patterns of voxel activity were used to compute image-by-image similarity matrices across the whole brain with searchlights. Most layers could be mapped to circumscribed cortical regions, and these mappings overlapped less than the mappings obtained with natural images. Given the prevalence of existing fMRI datasets with natural images, we used the synthesis method as a benchmark to develop an alternative residual method that can achieve comparable performance for natural image datasets. These approaches could be extended to other neural network architectures and stimulus modalities for targeted mappings of model computations to the brain and behavior.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».