神经表示的拓扑结构与几何结构
刊于pnas
核心贡献：将拓扑学引入经典的表征相似性分析（RSA），提出了拓扑表征相似性分析（tRSA） 框架
这篇论文在经典的表征相似性分析（RSA） 基础上，创新性地引入了拓扑数据分析（TDA） 的思想，提出了拓扑RSA（tRSA） 框架。该框架通过构建几何-拓扑汇总统计量（如RGTM） ，实现了对神经表征"拓扑结构"的刻画。
其核心优势在于，通过聚焦于表征空间中关键的中间尺度距离，tRSA能够压缩噪声和个体差异带来的无关几何变化，从而提取出更稳健、更具功能代表性的拓扑特征。实验证明，tRSA在保持对模型和脑区选择敏感性的同时，显著提升了对噪声和个体差异的鲁棒性。这项工作的意义在于，它提示我们，大脑的计算功能可能不仅体现在精细的几何距离上，更体现在其表征空间粗糙的、关系性的拓扑结构上，为理解大脑表征提供了新的视角和强大的分析工具
摘要
神经科学中的一个核心问题是，如何塑造感知 与认知内容 在大脑中的表征 。理想的表征应能够区分不同的功能区域，并对噪声以及个体大脑的特殊性具有鲁棒性，而这些特性与计算差异不相对应。以往的研究通过表征几何学 来刻画大脑表征，该几何学由表征差异矩阵（RDM）定义，这是一种汇总统计量，它抽象了单个神经元（或反应通道）的作用，用于表征刺激的可区分性。在此，我们进一步探索抽象层次：从几何结构转向大脑表征的拓扑结构。我们提出了一种拓扑表征相似性分析方法，作为表征相似性分析的扩展，利用一系列地理拓扑汇总统计量，将RDM推广为刻画拓扑结构的同时弱化对几何结构的依赖。我们通过模拟数据和功能磁共振成像（fMRI）数据，评估了这一系列统计量在模型选择中的敏感性和特异性。在模拟中，真实数据是神经网络模型中生成数据的层表示，且模型相同，但不同实例中的其他层来自不同的随机种子训练。在fMRI中，真实数据为视觉区域，模型相同，但测量的是不同受试者中的其他区域。结果表明，对群体编码的拓扑敏感特征对噪声和个体间差异具有稳健性，并能保持对不同神经网络层和脑区独特表征特征的出色灵敏度。
关键词：认知神经科学、计算神经科学、表征相似性分析
引言
论文指出，神经科学的核心问题之一是如何刻画大脑对感知和认知内容的表征。理想的刻画方法应能区分不同功能区域，同时对噪声和个体差异具有鲁棒性。
现有方法：表征几何 (Representational Geometry)：以往的研究主要通过"表征几何"来刻画大脑表征。其核心是表征不相似性矩阵（RDM） 。RDM通过计算不同刺激下神经元群体活动模式的差异，抽象掉了单个神经元的作用，描述了刺激之间的可区分性。
论文方法：引入表征拓扑 (Representational Topology)：本文探索了从"几何"到"拓扑"的进一步抽象。作者认为，拓扑特征能提供比几何特征更稳健的功能区域计算特征。
研究目标：提出拓扑表征相似性分析（tRSA），作为经典RSA的扩展。tRSA使用一系列"几何-拓扑汇总统计量"来刻画拓扑，同时淡化几何细节。
方法
核心思想：tRSA通过对RDM中的距离进行非线性单调变换，来构建新的统计量。这种变换能够压缩非常大或非常小的距离所携带的、信息量较少的几何变化，从而聚焦于关键的中间尺度，以揭示其背后的拓扑结构。
关键工具：由此产生的新统计量被称为表征几何-拓扑矩阵（RGTM） 。RGTM推广了传统的RDM，能够同时捕捉表征的几何与拓扑信息。
实验
论文通过两类实验，评估了tRSA在模型选择上的敏感性和特异性。
模拟实验 (Simulations)：以神经网络模型中某个特定层（数据生成层）的表征作为"真实答案"（ground truth）。任务是看tRSA能否从同一个网络的其他层、以及不同随机种子训练的网络实例的各层中，准确识别出这个"真实答案"层。
fMRI实验：以某个特定视觉脑区的表征作为"真实答案"。任务是看tRSA能否从同一个被试的其他脑区、以及其他被试的各个脑区中，准确识别出这个"真实答案"脑区。
结果
鲁棒性 (Robustness)：对拓扑敏感的表征刻画方式对噪声和个体间差异具有很强的鲁棒性。
敏感性 (Sensitivity)：tRSA在识别不同神经网络层和脑区的独特表征特征方面，保持了卓越的敏感性。
性能相当：在跨被试识别对应脑区、跨模型实例识别对应网络层等任务上，tRSA的表现与经典RSA不相上下。
讨论
核心发现：几何和拓扑信息对于全面理解神经表征都至关重要。拓扑提供了一个更稳健的计算功能签名，而几何则包含了精细的区分信息。
方法论贡献：tRSA为神经科学和计算神经科学提供了一种新的分析工具，使得研究人员能够根据研究问题，校准对表征的比较是侧重于几何、拓扑，还是两者的结合。