Ghosts in machine learning for cognitive neuroscience: Moving from data to theory

استفاده از روش های یادگیری ماشین به داده های تصویر برداری عصبی، اساسا علم اعصاب شناختی را تغییر داده است. پیشرفت های آینده در درک عملکرد مغز با استفاده از این روش ها نیازمند رسیدگی به تعدادی از چالش های روش شناختی و تفسیری کلیدی است. از آنجا که این چالش ها اغلب ناشناخته و متاثرانه باقی می مانند؟ تلاش های ما برای استفاده از این روش برای درک مغز، ما به آنها به عنوان یک "غزل" اشاره می کنیم. در این مقاله سه چنین ارواح را توصیف می کنیم، آنها را در یک چارچوب کلی تر از فلسفه علم قرار می دهیم، و سپس مراحل را برای آنها توضیح می دهیم. اولین شبح ناشی از مشکالت در تعیین اینکه چه چیزی طبقه بندی کننده های یادگیری ماشین برای استفاده برای رمزگشایی استفاده می شود. روح دوم ناشی از تعامل طراحی تجربی و ساختار اطلاعات در مغز است - به این معنا که روش های ما شامل مفروضات ضمنی درباره پردازش اطلاعات در مغز است و اغلب دشوار است که این فرض ها راضی باشند. ارواح سوم از توانایی محدود ما برای تشخیص اطلاعات است که فقط از مغز از اطلاعاتی که نشان داده شده و توسط مغز مورد استفاده قرار می گیرد، ظاهر می شود. هر یک از سه ارواح محدودیتی در تفسیرپذیری تحقیقات رمزگشایی در علوم اعصاب شناختی دارد. راه حل های آسان وجود ندارد، اما با در نظر گرفتن این مسائل به طور واضح مسیر روشنی برای درک ماهیت بازنمایی و محاسبات در مغز انسان فراهم خواهد شد.