Achieving more human brain-like vision via human EEG representational alignment
Zitong Lu, Yile Wang, Julie D. Golomb
Communications Biology · Article · 2026-02-20
OVERVIEW
论文概览
ReAlnet 用 EEG 多层表征监督视觉网络，使图像表征更接近人脑，并检验这种对齐是否改善不同脑数据上的预测。
ABSTRACT
中文摘要
研究提出 ReAlnet，在图像识别训练之外加入人类 EEG 表征对齐目标，使视觉网络同时学习任务性能和脑相似性。模型通过多层图像到脑编码约束，让不同深度的视觉特征对应 EEG 中不同时间阶段的表征结构。作者报告，对齐后网络与人类脑活动的平均相似度提高，并在部分设置中出现较大的相对增益；这种改善还能迁移到训练时未使用的神经数据和视觉任务。分析显示，脑对齐改变了网络内部表征几何，而不是只在输出层进行浅层校准。该工作说明，时间分辨率较高的 EEG 可作为训练视觉模型的神经监督。
RESEARCH RELEVANCE
与你研究的关系
为双向统一模型提供反向训练思路：不只用视觉模型监督 EEG，也可用 EEG 时间结构反过来约束视觉骨干，形成更对称的脑—视觉共享空间。
LIMITATIONS
局限与核查重点
更高的表征相似性不必然意味着更接近真实视觉计算机制；结果对 EEG 预处理、RSA 指标和模型架构可能敏感。
SOURCE
来源与原文
Communications Biology · Article · 2026-02-20
Zitong Lu, Yile Wang, Julie D. Golomb. Achieving more human brain-like vision via human EEG representational alignment. Communications Biology · Article · 2026-02-20. https://www.nature.com/articles/s42003-026-09685-w