자극 대칭성이 표현 유사도 분석을 혼동시킬 수 있다
Stimulus symmetries can confound representational similarity analyses
표현 유사도 행렬(RSM)은 신경 부호(neural code)에 대해 무엇을 알려줄 수 있을까요? 이러한 요약 통계량의 인기가 높아짐에 따라, 그 특성에 대한 보다 완전한 규명의 필요성 또한 커지고 있습니다. 본 연구에서는 네트워크 입력의 대칭성이 RSM 기반 분석을 혼동시킬 수 있음을 보입니다. 자극 대칭성은 많은 표현들을 기능적으로 동등하게 만들지만, 이러한 서로 다른 구성들은 서로 다른 RSM으로 이어질 수 있습니다. 이렇게 서로 다른 RSM은 얽힘이 풀린(disentangled) 부호부터 최대로 혼합된(maximally-mixed) 부호에 이르기까지, 정성적으로 서로 다른 표현 기하학을 반영합니다. 우리는 확률적 경사하강법(stochastic gradient descent)이나 에너지 정규화(energetic regularization)가 희소하고 표류하는(drifting) 부호를 생성할 수 있으며, 이는 결과적으로 표류하는 RSM으로 이어진다는 점을 보여줍니다. 나아가, 대칭성이 잠재되어 있는 이미지 데이터를 인코딩하도록 학습된 네트워크에서도 이러한 현상이 나타남을 입증합니다. 본 연구 결과는 기능적으로 동등한 표현들이 단순한 회전으로 연관되지 않을 때, 비선형 신경 부호를 비교하는 데 내재된 어려움을 잘 보여줍니다.