Interpretable abstractions of artificial neural networks predict behavior and neural activity during human information gathering
Simone D’Ambrogio, Jan Grohn, Nima Khalighinejad, Marcelo G. Mattar, Laurence Hunt, Matthew F. S. Rushworth 等
Nature Neuroscience · Article · 2026-06-26
OVERVIEW
论文概览
先训练神经网络模拟信息搜集决策，再用符号回归抽取可解释方程，并检验该方程能否共同预测行为与 7T fMRI 活动。
ABSTRACT
中文摘要
复杂人工神经网络可以很好地拟合行为，却往往难以直接提供神经科学解释。该研究训练网络解决人类的信息搜集任务，再通过符号回归把网络内部策略压缩为关于信息价值的可解释数学表达。抽取出的计算量能够预测独立的人类选择，并与 7T fMRI 中腹侧被盖区、前扣带、岛叶及相关网络的活动相对应。作者还比较了黑箱网络、传统认知模型和符号化抽象的解释力，结果显示，从网络中提取的低维计算结构既保留性能，又能形成跨行为与脑信号的可检验预测。研究提出一种从高性能模型过渡到明确机制假设的路线。
RESEARCH RELEVANCE
与你研究的关系
直接对应你希望“基于训练好的统一模型寻找神经科学发现”的目标：先让模型学会任务，再把共享潜变量压缩成可解释规则并回到脑数据验证。
LIMITATIONS
局限与核查重点
符号回归得到的是对网络策略的近似，未必是唯一解释；fMRI 对应仍属相关证据，不能单独建立脑区的因果作用。
SOURCE
来源与原文
Nature Neuroscience · Article · 2026-06-26
Simone D’Ambrogio, Jan Grohn, Nima Khalighinejad, Marcelo G. Mattar, Laurence Hunt, Matthew F. S. Rushworth 等. Interpretable abstractions of artificial neural networks predict behavior and neural activity during human information gathering. Nature Neuroscience · Article · 2026-06-26. https://www.nature.com/articles/s41593-026-02342-9