Nat Commun：表征學(xué)習(xí)過(guò)程中“任務(wù)相似性”對(duì)大腦和神經(jīng)網(wǎng)絡(luò)的影響

PsyBrain 腦心前沿 | 公眾號(hào) PSY-Brain_Frontier

一鍵關(guān)注，點(diǎn)亮星標(biāo) ??

不錯(cuò)過(guò)每日前沿資訊

認(rèn)知神經(jīng)科學(xué)前沿文獻(xiàn)分享

基本信息

Title:The effects of task similarity during representation learning in brains and neural networks

發(fā)表時(shí)間：2025.11.29

發(fā)表期刊:Nature Communications

影響因子：15.7

獲取原文：

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

研究背景

人類的認(rèn)知系統(tǒng)面臨著一個(gè)巨大的挑戰(zhàn)：環(huán)境極其復(fù)雜，但我們必須做出快速且適應(yīng)性的行為決策。為了解決這一問(wèn)題，大腦并不總是死記硬背每一個(gè)感官輸入的細(xì)節(jié)，而是試圖從繁雜的信息中提取出抽象的低維結(jié)構(gòu)或規(guī)則。理論上，如果在不同的任務(wù)之間識(shí)別出這種共享的結(jié)構(gòu)，應(yīng)該能夠通過(guò)泛化和遷移學(xué)習(xí)來(lái)促進(jìn)學(xué)習(xí)效率。例如，通過(guò)觀察植物生長(zhǎng)與光照和水分的關(guān)系，我們能夠建立一個(gè)內(nèi)部模型，并將其推廣到類似的新情境中。

然而，這種 “舉一反三” 的能力是否總是奏效？認(rèn)知神經(jīng)科學(xué)領(lǐng)域一直存在一個(gè)關(guān)于表征（Representation）與遷移（Transfer）的爭(zhēng)論：共享的表征究竟是加速了學(xué)習(xí)，還是引發(fā)了干擾？盡管已有的機(jī)器學(xué)習(xí)和神經(jīng)科學(xué)研究表明，利用任務(wù)間的相似性可以提高效率，但人類大腦如何在動(dòng)態(tài)學(xué)習(xí)過(guò)程中構(gòu)建這些表征，以及任務(wù)相似性在何種條件下會(huì)轉(zhuǎn)變?yōu)橐环N負(fù)擔(dān)，目前仍知之甚少。

本研究結(jié)合了行為實(shí)驗(yàn)、腦磁圖（MEG）和人工神經(jīng)網(wǎng)絡(luò)（ANN）建模，挑戰(zhàn)了“相似結(jié)構(gòu)總是促進(jìn)學(xué)習(xí)”的傳統(tǒng)假設(shè)，揭示了任務(wù)相似性、神經(jīng)動(dòng)力學(xué)與行為表現(xiàn)之間復(fù)雜的相互作用 。

研究核心總結(jié)

本研究通過(guò)設(shè)計(jì)一項(xiàng)需要被試在“概念任務(wù)”（基于抽象特征）和“空間任務(wù)”（基于位置特征）之間交替學(xué)習(xí)的實(shí)驗(yàn)，通過(guò)改變兩類任務(wù)底層結(jié)構(gòu)的相似性（相同結(jié)構(gòu)組 vs. 不同結(jié)構(gòu)組），揭示了表征學(xué)習(xí)中的干擾-正交化機(jī)制。

Fig. 1 | Stimuli, Task Structures and Trial Structure.

“相似性詛咒”：共享結(jié)構(gòu)導(dǎo)致學(xué)習(xí)初期的行為干擾

研究發(fā)現(xiàn)了一個(gè)反直覺(jué)的現(xiàn)象：在訓(xùn)練階段，任務(wù)結(jié)構(gòu)完全相同的被試組（SameSt），其學(xué)習(xí)表現(xiàn)反而顯著差于任務(wù)結(jié)構(gòu)正交的被試組（DiffSt）。這意味著，簡(jiǎn)單的結(jié)構(gòu)共享并沒(méi)有像預(yù)期那樣促進(jìn)遷移，反而因?yàn)槿蝿?wù)間的高度重疊引發(fā)了認(rèn)知干擾。只有經(jīng)過(guò)充分練習(xí)后，這種性能差距才在測(cè)試階段消失。

Fig. 2 | General performance and generalization.

Fig. 3 | Model distances.

神經(jīng)機(jī)制：從“相關(guān)”到“反相關(guān)”的動(dòng)態(tài)重組

利用表征相似性分析（RSA）對(duì)MEG數(shù)據(jù)的解碼顯示，這種行為干擾與大腦的神經(jīng)表征幾何密切相關(guān) 。

Fig. 4 | Cross-domain representations during training.

• 初始階段：相同結(jié)構(gòu)組（SameSt）的神經(jīng)表征表現(xiàn)出顯著的跨任務(wù)正相關(guān)。這種高度重疊的神經(jīng)活動(dòng)模式雖然反映了客觀的任務(wù)結(jié)構(gòu)，但卻阻礙了大腦區(qū)分不同任務(wù)情境，導(dǎo)致了行為上的干擾。相反，不同結(jié)構(gòu)組（DiffSt）的表征一開始就是反相關(guān)的，這種天然的分離有助于減少干擾 。

• 學(xué)習(xí)重塑：關(guān)鍵的發(fā)現(xiàn)是，隨著練習(xí)的進(jìn)行，相同結(jié)構(gòu)組的大腦發(fā)生了一種表征重組。在測(cè)試階段，他們的神經(jīng)表征從正相關(guān)轉(zhuǎn)變?yōu)轭愃朴诓煌Y(jié)構(gòu)組的反相關(guān)模式。這表明，為了克服干擾，大腦必須主動(dòng)將共享結(jié)構(gòu)的任務(wù)表征進(jìn)行正交化，將其投射到不同的神經(jīng)子空間中 。

Fig. 5 | Cross-domain representations during testing sessions.

計(jì)算驗(yàn)證：神經(jīng)網(wǎng)絡(luò)中的正交化代價(jià)

人工神經(jīng)網(wǎng)絡(luò)（ANN）模型的模擬結(jié)果進(jìn)一步證實(shí)了這一機(jī)制：當(dāng)輸入特征在低維流形上較為相似（非正交）時(shí)，網(wǎng)絡(luò)需要更多的訓(xùn)練迭代次數(shù)來(lái)將這些表征正交化，以實(shí)現(xiàn)可靠的任務(wù)性能。這解釋了為何結(jié)構(gòu)相似的任務(wù)在人類學(xué)習(xí)初期反而更慢：因?yàn)榇竽X需要額外的計(jì)算成本來(lái)“拆分”這些重疊的表征以避免災(zāi)難性干擾 。

Fig. 6 | Schematic and learning performance of the neural network across different input structures and tasks.

綜上所述，本研究提出了一種動(dòng)態(tài)的表征學(xué)習(xí)觀點(diǎn)：盡管共享結(jié)構(gòu)是泛化的基礎(chǔ)，但在多任務(wù)學(xué)習(xí)中，大腦必須在利用共享結(jié)構(gòu)與分離任務(wù)表征之間取得平衡。有效的學(xué)習(xí)往往伴隨著將相似任務(wù)的表征推向互不干擾的神經(jīng)子空間的過(guò)程 。

Abstract

The complexity of our environment poses significant challenges for adaptive behavior. Recognizing shared structures across tasks can theoretically improve learning through generalization. However, how such shared representations emerge and influence performance remains poorly understood. Contrary to expectations, our findings revealed that individuals trained on tasks with similar low-dimensional structures performed worse than those trained on dissimilar tasks. Magnetoencephalography revealed correlated neural representations in the same-structure group and anticorrelated ones in the different-structure group. Crucially, practice reduced this performance gap and shifted the neural representations of the tasks in the same-structure group towards anticorrelation, resembling those in the different-structure group. A neural network model trained on similar tasks replicated these findings: tasks with similar structures require more iterations to orthogonalize their representations. These results highlight a complex interplay between task similarity, neural dynamics, and behavior, challenging traditional assumptions about learning and generalization.

請(qǐng)打分

這篇?jiǎng)倓偟巧?b>Nature Communications的研究，是否實(shí)至名歸？我們邀請(qǐng)您作為“云審稿人”，一同品鑒。精讀全文后，歡迎在匿名投票中打分，并在評(píng)論區(qū)分享您的深度見解。

前沿交流|歡迎加入認(rèn)知神經(jīng)科學(xué)前沿交流群！

核心圖表、方法細(xì)節(jié)、統(tǒng)計(jì)結(jié)果與討論見原文及其拓展數(shù)據(jù)。

分享人：飯哥

審核：PsyBrain 腦心前沿編輯部