Platonic Representations in the Human Brain: Unsupervised Recovery of Universal Geometry

The Strong Platonic Representation Hypothesis suggests that representational convergence in artificial neural networks can be harnessed constructively: embeddings can be translated across models through a universal latent space without paired data. We ask whether an analogous geometry can be recovered across human brains. Using fMRI data from the Natural Scenes Dataset, we propose a self-supervised encoder that learns subject-specific embeddings from brain data alone by exploiting repeated stimulus presentations. We show that these independently learned spaces can be translated across subjects using unsupervised orthogonal rotations, without paired cross-subject samples or intermediate model representations. Synchronizing pairwise rotations into a single shared latent space further improves cross-subject retrieval, indicating that subject-specific spaces are mutually compatible with a common coordinate system. These results provide evidence for a shared neural geometry in the human visual cortex: subject-specific fMRI representations are approximately isometric across individuals and can be translated through purely geometric transformations.

한 줄 요약

**[뇌-AI 표현 / Platonic Geometry]** Natural Scenes Dataset fMRI에서 self-supervised encoder가 subject별 embedding 학습, paired data·중간 모델 없이 unsupervised orthogonal rotation으로 cross-subject 변환 가능 — 인간 시각피질의 shared neural geometry 증거.

핵심 기여도

Strong Platonic Representation Hypothesis가 ANN의 representational convergence를 constructive 활용 가능하다고 제안 — paired data 없이 universal latent space 통해 embedding 변환 가능함을 배경 소개.
유사 geometry가 인간 뇌 간에 회복 가능한지 질문.
Natural Scenes Dataset의 fMRI 데이터 사용, 반복 자극 제시를 활용해 brain data만으로 subject-specific embedding을 학습하는 self-supervised encoder 제안.
이렇게 독립 학습된 공간이 paired cross-subject sample이나 intermediate model representation 없이 unsupervised orthogonal rotation으로 변환 가능함을 보임. Pairwise rotation을 single shared latent space로 synchronize하면 cross-subject retrieval이 추가 향상됨 — subject-specific space가 common coordinate system과 mutually compatible.

핵심 아이디어

인간 시각피질의 neural 표현은 subject별로 학습된 독립 공간임에도 approximately isometric하며, paired data·중간 모델 없이 purely geometric orthogonal transformation으로 변환 가능하다 — 뇌 간 universal Platonic geometry의 unsupervised 증거.

기술적 접근법

**방법론**: Self-supervised brain encoder + unsupervised orthogonal rotation alignment.
**핵심 기법**: (1) Natural Scenes Dataset fMRI 사용, (2) 반복 자극 제시 활용해 subject-specific embedding을 brain data만으로 self-supervised 학습, (3) Paired cross-subject sample 없이 unsupervised orthogonal rotation으로 subject space 변환, (4) Pairwise rotation을 single shared latent space에 synchronize, (5) Cross-subject retrieval로 정렬 품질 평가.

주요 결과

독립 학습된 subject-specific 공간이 unsupervised orthogonal rotation으로 cross-subject 변환 가능.
Pairwise rotation의 shared latent synchronization이 cross-subject retrieval 추가 향상.
인간 시각피질에 shared neural geometry 증거 제공.
Subject-specific fMRI 표현이 approximately isometric across individuals.

의의 및 한계

**의의**: ANN의 Platonic Hypothesis를 뇌 영역에 확장 — universal geometry 가설의 첫 unsupervised 뇌 증거, paired data·중간 모델 없는 cross-subject 변환 가능성으로 BCI·neuroscience 응용 길 제공, AI·뇌과학 융합. **한계**: 시각피질 중심으로 다른 인지 영역 일반화 추가 검증, NSD 단일 데이터셋 의존, fMRI의 시공간 해상도 한계로 미세 표현 차이 포착 한계, orthogonal rotation 가정의 표현력 제약.

실용적 활용

BCI·뇌-기계 인터페이스의 cross-subject 적응.
fMRI 기반 mind reading·visual decoding.
인간 뇌 표현·AI 표현의 정렬·비교 연구.