PsyBrain 脑心前沿 / 记忆与学习：顶刊文献解读专题 / A · 文献解读 / A055 · NatureNeuroscience重磅：大脑如何通过“

A055 Nature Neuroscience重磅：大脑如何通过“几何变换”实现高效多任务学习？

来源：公众号 PSY-Brain_Frontier ｜发布：2026-02-06 ｜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

🧠 PsyBrain · 寒假提升计划 💪

数据分析原理、实践与可视化本该是通往真理的桥梁，但往往成为阻碍你探索科学的高墙。

今年，我们联合国内顶尖名校博士和资深硕博生为你打造了一套认知神经科学全栈工具箱。从经典的sMRI、fMRI、dMRI、EEG/MEG，到硬核的电生理、脑机接口，再到前沿的 RSA、MVPA、强化学习、认知建模、大语言模型，我们一站式配齐，欢迎查看~

课程时间 2026年2月24-28日*，部分开设在3月初，报名截止 2026年2月17日*，欢迎垂询~

🌟[点击此处查看课程详情]🌟

认知神经科学前沿文献分享

基本信息

Title:Neural population geometry and optimal coding of tasks with shared latent structure

发表时间：2026.2.4

发表期刊: Nature Neuroscience

影响因子：20.0

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

人类的大脑拥有一种惊人的能力：我们不仅能识别环境中的具体符号（如红绿灯），还能毫不费力地感知那些抽象的“潜在变量”，比如街道的拥挤程度、社交氛围的尴尬与否，并据此灵活调整行为。这种跨任务的泛化能力，长期以来被认为依赖于大脑构建的“认知地图”或特定的神经表征几何结构（Neural Population Geometry）。

近年来，神经科学领域掀起了一股“几何热”。研究者们在感觉皮层、海马体等区域发现，神经群体活动倾向于形成低维流形（Manifold），或是将独立的任务变量映射到正交的子空间中（即 “解缠绕”，Disentangled Representations）。然而，领域内存在一个明显的痛点：我们虽然观察到了各种漂亮的几何形态，却缺乏一个统一的理论框架来解释 “为什么” 是这些几何形状。究竟是高维好还是低维好？神经元之间的相关性是该以此消彼长，还是该保留？

现有研究往往只关注某一特定任务（如物体识别），且多依赖启发式的几何指标，缺乏将微观的神经统计特性与宏观的任务泛化误差直接联系起来的解析理论。这正是本研究试图填补的空白：它试图从数学上推导出一套“最优编码理论”，告诉我们在不同的学习阶段，什么样的神经几何结构才是最高效的。

研究核心总结

这篇 2026年2月4日发表于认知神经科学顶级期刊 Nature Neuroscience 的研究通过解析推导与多物种数据验证，建立了一个将神经群体几何与多任务线性读出泛化性能直接关联的理论框架。

Fig. 1 | Schematic of the task and model setup using images from the dSprites dataset as an example.

核心发现：决定泛化的四个几何公理

研究表明，在一个共享潜在结构的二分类多任务场景下，神经群体的泛化误差（Eg）严格取决于四个关键的几何统计量：

神经-潜在变量相关性 (Neural-latent correlation)：衡量神经群体对潜在变量变化的整体敏感度。
信号-信号因子化 (Signal-signal factorization, SSF)：衡量对独立潜在变量的编码是否在神经状态空间中彼此正交（即“解缠绕”程度）。
信号-噪声因子化 (Signal-noise factorization, SNF)：衡量噪声分布是否与编码信号的方向正交。
神经维度 (Neural dimension)：通过参与比（Participation Ratio）衡量的神经活动有效维度。

Fig. 2 | Schematic of the geometric terms.

Fig. 3 | Theory predicts generalization error of the Hebbian rule in trained and random MLPs.

机制解释：学习阶段决定了“最优几何”的形态

文章最引人注目的理论贡献在于揭示了“最优表征”并非一成不变，而是依赖于样本量的动态权衡：

少样本学习阶段（Early/Few-shot）：此时的首要任务是最大化信号强度。理论预测，最优编码倾向于压缩那些信息量较少的潜在变量，表现为较低的神经维度和较高的神经-潜在变量相关性。
富样本学习阶段（Late/Many-shot）：随着数据量增加，最优策略转变为扩张。为了避免信号间的干扰，神经表征需要变得高维且高度解缠绕（高 SSF），同时将噪声推向与信号正交的子空间（高 SNF）。

Fig. 4 | Disentangling of animal pose parameters by a deep neural network.

实证验证：从人工网络到生物大脑

研究者利用该理论成功解释了多种神经数据的变化规律：

深度神经网络 (DeepLabCut)：在姿态估计任务中，网络层级越深，维度越高，相关性反而下降，这种权衡完美契合了理论预测的泛化误差下降曲线。
猕猴视觉皮层 (V4 vs. IT)：相比于 V4，IT 皮层展现出了极高的 SNF，意味着在这个高级视觉区域，神经变异性几乎完全正交于物体特征的编码方向，从而支持了鲁棒的物体识别。
大鼠空间导航学习 (PFC & CA1)：在连续交替任务的学习过程中，神经表征经历了一个非单调的变化。初期，为了快速学习，总维度下降（压缩无关信息）；而随着任务熟练，任务相关子空间的维度显著上升，同时神经-潜在相关性下降。这一动态轨迹与“最优编码”理论的预测高度一致。

Fig. 5 | Theory predicts multitask error in macaque V4 and IT data.

图10

Fig. 6 | Optimal representational geometry over learning.

图11

研究意义

该研究超越了以往对“低维流形”的简单描述，首次量化了维度、相关性和因子化结构如何协同作用以最小化泛化误差。它不仅为理解大脑如何平衡“快速学习”与“精确表征”提供了规范性理论，也为脑机接口解码算法的设计提供了基于几何特性的优化方向。

图12

Fig. 7 | Changes in the geometry of spatial representations during learning in PFC (solid) and CA1 (dashed).

图13

Abstract

Animals can recognize latent structures in their environment and apply this information to efficiently navigate the world. Several works argue that the brain supports these abilities by forming neural representations from which behaviorally relevant variables can be read out across contexts and tasks. However, it is unclear which features of neural activity facilitate downstream readout. Here we analytically determine the geometric properties of neural activity that govern linear readout generalization on a set of tasks sharing a common latent structure. We show that four statistics summarizing the dimensionality, factorization and correlation structures of neural activity determine generalization. Early in learning, optimal neural representations are lower dimensional and exhibit higher correlations between single units and task variables than late in learning. We support these predictions through biological and artificial neural data analysis. Our results tie the linearly decodable information in neural population activity to its geometry.

图14