表象類似性分析（RSA）は、異なる刺激によって誘発される神経活動パターンの幾何を特徴づける一方で、神経の応答嗜好、領域ごとの集団平均活動、そして多変量応答空間におけるパターンの絶対位置と向きに関する情報を捨象する。代替の表象モデルを評価するとき、同一の計算を実装するために系が表面的に異なる符号化を用いる可能性があるため、神経符号の特定の側面に対する不変性が望ましい場合がある。しかし、神経嗜好や領域の集団平均活性は、生理学的・機構的に重要であり、したがってそれらを正しく予測するモデルが必要になるかもしれない。ここでは、モデル予測表象を評価する際に幾何と集団平均の嗜好の双方を尊重する新しい解析手法として、framed RSAを導入する。これを実現するために、幾何を定義するパターン集合に対して、参照となる2つのパターン、すなわち多変量応答空間における全ゼロ点（原点）と全-c（一様定数）パターンを追加し、RSAが、刺激にわたる領域の集団平均活性のプロファイルや、応答パターンのアンサンブルの全体的な位置と向きを取り込めるようにする。framed RSAは、真の値が既知である場合に、脳領域同定（Natural Scenes DatasetのヒトfMRIデータとThings Ventral Stream Spiking Datasetのサル頭蓋内記録データを用いる）および深層ニューラルネットワーク層同定の双方で、モデル選択の精度を向上させることを示す。神経の集団嗜好をモデル評価に組み込むことで、framed RSAはより機構的に意味のあるモデル比較を可能にし、モデル比較における推論の検出力の改善にもつながる。
https://doi.org/10.1101/2025.07.10.664257