从自然图像中学习使数感表征解耦

基于摘要分析。该研究关注自然图像学习是否能在自发出现的数量选择性之外，进一步改善网络的数感表征，提出几何分析框架，追踪学习过程中数量（numerosity）与比例（proportion）表征的关系。主要贡献是将单元层面的选择性与群体层面的表征组织区分开来，而非提出新的 BCI 解码算法。 作者报告，在所比较的未训练网络与预训练网络中，两者均出现单元层面的数量选择性，基本比较任务的表现也相近；但未训练网络的数量与比例表征高度重叠，自然图像学习后两者趋于分离，并支持在数量与比例相冲突时进行更稳健的读出。作者进一步报告，自监督学习也产生了相近的表征分离，而打乱标签训练未产生这一现象。这些结果支持作者的解释：初步数感可能自发出现，结构化视觉学习则进一步重组潜在数量信息，使其更易独立解码；不能据此将单元选择性直接等同于稳健的数量认知能力。 摘要未给出网络架构、自然图像数据集、数量与比例的操作化定义、几何度量、读出方法或定量结果，实验协议、消融及统计信息尚未验证。复现时尤其需核对冲突刺激的构造方式，以及不同训练条件下表征分离与读出表现的对应关系。 平台推测（待验证）：可迁移的候选思路是分析目标变量与干扰变量在群体表征中的重叠程度，而非直接迁移视觉网络的数感结论。若用于 EEG，可将任务信息与被试或会话因素作为待区分变量，但需重新定义变量、几何度量和验证划分；低信噪比、通道差异及小样本可能使几何估计不稳定。一个可证伪的小实验是在固定跨会话划分与相同读出条件下，比较训练前后两类信息的表征重叠及任务表现，检验分离是否伴随跨会话解码改善。已有 EEG 相关工作尚未检索确认。