PsyBrain 脑心前沿 / AI 与脑科学：顶刊文献解读专题 / A · 文献解读 / A047 · NatCommun：表征学习过程中“任务相似性”对大脑和

A047 Nat Commun：表征学习过程中“任务相似性”对大脑和神经网络的影响

来源：公众号 PSY-Brain_Frontier ｜发布：2025-12-08 ｜原文链接

PsyBrain 脑心前沿 | 公众号 PSY-Brain_Frontier

一键关注，点亮星标 ⭐️

不错过每日前沿资讯

认知神经科学前沿文献分享

基本信息

Title:The effects of task similarity during representation learning in brains and neural networks

发表时间：2025.11.29

发表期刊: Nature Communications

影响因子：15.7

获取原文：

*添加小助手:*PSY-Brain-Frontier即可获取PDF版本
点击页面底部“阅读原文”即可跳转论文原网页

研究背景

人类的认知系统面临着一个巨大的挑战：环境极其复杂，但我们必须做出快速且适应性的行为决策。为了解决这一问题，大脑并不总是死记硬背每一个感官输入的细节，而是试图从繁杂的信息中提取出抽象的低维结构或规则。理论上，如果在不同的任务之间识别出这种共享的结构，应该能够通过泛化和迁移学习来促进学习效率。例如，通过观察植物生长与光照和水分的关系，我们能够建立一个内部模型，并将其推广到类似的新情境中。

然而，这种 “举一反三” 的能力是否总是奏效？认知神经科学领域一直存在一个关于表征（Representation）与迁移（Transfer）的争论：共享的表征究竟是加速了学习，还是引发了干扰？尽管已有的机器学习和神经科学研究表明，利用任务间的相似性可以提高效率，但人类大脑如何在动态学习过程中构建这些表征，以及任务相似性在何种条件下会转变为一种负担，目前仍知之甚少。

本研究结合了行为实验、脑磁图（MEG）和人工神经网络（ANN）建模，挑战了“相似结构总是促进学习”的传统假设，揭示了任务相似性、神经动力学与行为表现之间复杂的相互作用。

研究核心总结

本研究通过设计一项需要被试在“概念任务”（基于抽象特征）和“空间任务”（基于位置特征）之间交替学习的实验，通过改变两类任务底层结构的相似性（相同结构组 vs. 不同结构组），揭示了表征学习中的干扰-正交化机制。

Fig. 1 | Stimuli, Task Structures and Trial Structure.

“相似性诅咒”：共享结构导致学习初期的行为干扰

研究发现了一个反直觉的现象：在训练阶段，任务结构完全相同的被试组（SameSt），其学习表现反而显著差于任务结构正交的被试组（DiffSt）。这意味着，简单的结构共享并没有像预期那样促进迁移，反而因为任务间的高度重叠引发了认知干扰。只有经过充分练习后，这种性能差距才在测试阶段消失。

Fig. 2 | General performance and generalization.

Fig. 3 | Model distances.

神经机制：从“相关”到“反相关”的动态重组

利用表征相似性分析（RSA）对MEG数据的解码显示，这种行为干扰与大脑的神经表征几何密切相关。

Fig. 4 | Cross-domain representations during training.

初始阶段：相同结构组（SameSt）的神经表征表现出显著的跨任务正相关。这种高度重叠的神经活动模式虽然反映了客观的任务结构，但却阻碍了大脑区分不同任务情境，导致了行为上的干扰。相反，不同结构组（DiffSt）的表征一开始就是反相关的，这种天然的分离有助于减少干扰。
学习重塑：关键的发现是，随着练习的进行，相同结构组的大脑发生了一种表征重组。在测试阶段，他们的神经表征从正相关转变为类似于不同结构组的反相关模式。这表明，为了克服干扰，大脑必须主动将共享结构的任务表征进行正交化，将其投射到不同的神经子空间中。

图10

Fig. 5 | Cross-domain representations during testing sessions.

计算验证：神经网络中的正交化代价

人工神经网络（ANN）模型的模拟结果进一步证实了这一机制：当输入特征在低维流形上较为相似（非正交）时，网络需要更多的训练迭代次数来将这些表征正交化，以实现可靠的任务性能。这解释了为何结构相似的任务在人类学习初期反而更慢：因为大脑需要额外的计算成本来“拆分”这些重叠的表征以避免灾难性干扰。

图11

Fig. 6 | Schematic and learning performance of the neural network across different input structures and tasks.

综上所述，本研究提出了一种动态的表征学习观点：尽管共享结构是泛化的基础，但在多任务学习中，大脑必须在利用共享结构与分离任务表征之间取得平衡。有效的学习往往伴随着将相似任务的表征推向互不干扰的神经子空间的过程。

图12

Abstract

The complexity of our environment poses significant challenges for adaptive behavior. Recognizing shared structures across tasks can theoretically improve learning through generalization. However, how such shared representations emerge and influence performance remains poorly understood. Contrary to expectations, our findings revealed that individuals trained on tasks with similar low-dimensional structures performed worse than those trained on dissimilar tasks. Magnetoencephalography revealed correlated neural representations in the same-structure group and anticorrelated ones in the different-structure group. Crucially, practice reduced this performance gap and shifted the neural representations of the tasks in the same-structure group towards anticorrelation, resembling those in the different-structure group. A neural network model trained on similar tasks replicated these findings: tasks with similar structures require more iterations to orthogonalize their representations. These results highlight a complex interplay between task similarity, neural dynamics, and behavior, challenging traditional assumptions about learning and generalization.

图13