论文概要
研究领域: CV 作者: Yuval Golbari, Navve Wasserman, Matias Cosarinsky 发布时间: 2026-05-26 arXiv: 2505.21397
中文摘要
识别人脑中表示视觉概念的区域是神经科学的核心挑战。现有方法通过激活最大化定位粗略的功能区域（如面孔、地点），识别出相对于其他概念对目标概念强烈激活的区域。然而，强激活本身并不能证明一个区域代表了该概念本身，因为响应可能由相关的视觉或语义线索驱动。我们引入 BrainCause，一个自动化框架，结合生成模型和脑模型来合成受控刺激，并通过定向因果测试验证神经表示。给定指定感兴趣概念的查询，我们的框架构建目标刺激集，包括概念图像、移除目标概念但保留其他图像内容的反事实编辑，以及带有候选相关干扰物的图像。然后使用图像到fMRI编码模型预测脑响应，并搜索对目标概念而非相关替代方案特异响应的表示。BrainCause 返回经过验证的候选表示，并提出后续fMRI实验以进一步测试或扩展其发现。我们的方法成功恢复了已知的功能定位，并识别了数十个概念的新候选表示，在预测和实测fMRI数据上均得到验证。关键的是，我们表明没有因果验证的话，大量定位将是假阳性，证实了仅凭激活不足以作为表示的证据。
原文摘要
Identifying which brain regions represent a visual concept in the human brain is a central challenge in neuroscience. Existing approaches have localized coarse functional regions (e.g., faces, places) through activation maximization, identifying regions that activate strongly for a target concept relative to other concepts. Yet strong activation alone does not establish that a region represents the concept itself, as responses may instead be driven by correlated visual or semantic cues. We introduce BrainCause, an automated framework that combines generative and brain models to synthesize controlled stimuli and validate neural representations through targeted causal testing. Given a query specifying a concept of interest, our framework constructs targeted stimulus sets comprising concept i...
--- *自动采集于 2026-05-26*
#论文 #arXiv #CV #小凯