在生物和AI之间获得表征”一致性对齐“概念是认知科学、神经科学和机器学习的关键。
问题是：这些知识在不同科学社区之间的转移往往有限。这篇论文是来弥合这一差距的！
目标
为跨学科的表征对齐研究提供理论基础。我们提出了一个统一的框架，可以作为一种通用语言，使研究人员更容易沟通和合作。
生物和人工信息处理系统会形成表征，它们可以利用这些表征进行分类、推理、规划、导航和决策。
- 我们如何衡量这些不同系统所形成的表征的一致程度？
- 相似的表征是否会转化为相似的行为？
- 如何修改一个系统的表征以更好地匹配另一个系统的表征？
这些与表征一致性研究相关的问题是认知科学、神经科学和机器学习领域一些最活跃研究领域的核心。
例如，
- 认知科学家测量多个个体的表征一致性，以确定共享的认知先验；
- 神经科学家将来自多个个体的 fMRI 反应整合到一个共享的表征空间，以进行群体级分析；
- 机器学习研究人员通过提高教师模型与学生模型的一致性，将教师模型中的知识提炼到学生模型中。
遗憾的是，对表征对齐感兴趣的研究团体之间的知识转移有限，因此一个领域的进展往往最终被另一个领域独立地重新发现。因此，加强跨领域交流将大有裨益。
我们已经将表征性对齐研究分解为五个主要部分：
- 用于对齐的数据，
- 正在测量对齐的系统，
- 收集的关于每个系统的测量结果，
- 提取的嵌入，
- 以及使用的对齐函数。
我们进行了文献综述，展示了以前的工作如何适合这个框架。我们相信，我们的框架提供了一个简单的，通用的语言，清楚地传达的方法和代表性对齐研究的结果。
我们还确定了代表性调整的关键开放问题，其中的进展可以使所有三个相关领域受益。我们希望我们的工作将促进跨学科的合作，并加速所有研究信息处理系统的社区的进展。
这项工作是一个大的结果：由认知科学家、神经科学家和机器学习研究人员之间的合作完成。