侧向递归如何动态细化视觉表征

基于摘要分析。该研究关注视觉皮层中递归处理如何随时间改变表征，采用在人脸与物体识别任务上训练的递归卷积网络，研究侧向递归对群体表征几何和单单元调谐的影响。其主要贡献是将群体层面的身份可分性变化与单元层面的类别偏好、身份敏感性联系起来，并通过侧向连接权重门控检验这一变化的机制。 研究使用系统改变类别、身份与姿态的参数化刺激集，比较不同递归时间步的表征。作者报告，在网络已训练的领域内，递归处理提高了较深层中不同身份之间的可分性，而未训练领域的表征基本不变。作者报告，对侧向连接权重进行门控后，训练领域内身份解码随时间步提高的现象消失，支持侧向递归驱动表征细化的解释。 在单单元层面，作者报告，递归增强了各单元类别偏好与其领域内身份敏感性之间的相关性，为群体表征变化提供了单元层面的解释。摘要据此提出可在领域选择性皮层的时间分辨记录中检验的预测；这不等于已获得人体神经记录验证，也不构成 BCI 性能证据。网络结构、训练损失、刺激规模、解码协议、量化效应、消融及统计信息尚未验证。 平台推测（待验证）：该机制可作为视觉 EEG 时间动态表征研究的候选解释，而非直接作为 BCI 解码方法。假设训练相关的身份区分也在 EEG 表征中随时间增强，可复用参数化刺激与表征几何分析思路，但需将网络递归时间步与真实时间窗分开处理，并适配传感器层面的混合信号。低信噪比、通道空间混合及被试差异可能使单元层面的关系无法在 EEG 中重现。一个可检验的小实验是在独立训练／测试划分下，比较训练领域与未训练领域的分时窗身份解码变化；即使出现对应模式，也不能单凭 EEG 确认侧向递归的因果作用。相关 EEG 工作尚未检索确认。