Practices and pitfalls in inferring neural representations

یک چالش کلیدی برای علوم اعصاب شناختی، کشف طرح های نمایشی مغز است. مدل های رمزگذاری مبتنی بر ویژگی محاسبه شده برای به دست آوردن ابعاد فضاهای نمایشی عصبی از فضاهای ویژگی محرک به طور فزاینده ای محبوب هستند. ما استدلال می کنیم که چنین نتیجه گیری ها همیشه معتبر نیستند زیرا پیش بینی های موفقیت آمیز می توانند حتی اگر دو فضاهای نمایشی از طرح های نمایشی متفاوت اما همسایه استفاده کنند. ما از این ادعا با سه شبیه سازی حمایت می کنیم که در آن ما دقت پیش بینی بالا را به رغم تفاوت های سیستماتیک در هندسه ها و ابعاد نمایه های اساسی بدست آوردیم. تجزیه و تحلیل دقیق پیش بینی های مدل های رمزگذاری، انحرافات سیستماتیک از حقیقت زمین را نشان می دهد، که نشان می دهد که دقت پیش بینی بالا برای ایجاد نگرش های بازنمودی کافی نیست. این اشتباهات در مورد پیش بینی الگوهای واقعی عصبی از فضاهای ویژگی محرک به کار می رود و ما از احتیاط برای به دست آوردن ماهیت کد عصبی از این روش ها استفاده می کنیم. ما در مورد راه هایی برای غلبه بر این محدودیت های استنباط، از جمله مقایسه مدل، عملکرد مدل مطلوب، تکنیک های تجسم و مدولاسیون توجه، بحث می کنیم.