PsyBrain 脑心前沿 / 感知觉与注意：顶刊文献解读专题 / A · 文献解读 / A092 · NatHumBehav用「全拓扑网络」重塑视皮层地图

A092 Nat Hum Behav | 用「全拓扑网络」重塑视皮层地图

来源：公众号 PSY-Brain_Frontier ｜发布：2025-10-07 ｜原文链接

点击蓝字关注我们知晓前沿

认知神经科学前沿文献分享

基本信息：

Title:End-to-end topographic networks as models of cortical map formation and human visual behaviour（端到端拓扑网络：皮层地图形成与人类视觉行为的模型）

发表时间：2025.06.06

Journal:Nature Human Behavior

影响因子：21.4

获取原文：

后台回复“文献”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

省流总结

作者提出端到端全拓扑网络（All-TNN）：取消权值共享（weight sharing），仅以“邻近权重平滑”作归纳偏置，训练后自发形成类似V1的朝向图与高层类别团簇；在同等识别精度下更省能，并能显著的更好预测人类物体识别空间偏置（30名被试5×5掩蔽实验验证）。该工作把“皮层拓扑—代谢—行为”贯通到同一模型范式。

研究背景

灵长类视觉系统呈现系统性的功能拓扑：V1具有平滑变化的朝向选择性图，高层皮层出现对面孔、场景、工具等类别的成簇选择性；人类行为同样表现出与位置有关的识别偏置。然而，主流CNN依赖权值共享，在空间各处提取相同特征，难以建模真实大脑中的拓扑组织、其代谢意义与行为结果。以往对CNN的“拓扑化”多为后加映射或局部改造，仍难摆脱权值共享的限制。为此，作者提出All-TNN：各位置独立学习权重、在二维“皮层片”上排布，并用可调强度α的平滑损失鼓励相邻单元学到相似特征，以更贴近皮层拓扑的生成与作用。

实验设计与方法逻辑

作者以自然图像数据集ecoset（565类）进行训练，对比三类模型：

CNN

LCN（取消权值共享但无平滑；相当于α=0）

All-TNN（α∈{1,10,100}）

All-TNN各层单元在二维“皮层片”上共享感受野来源但不共享权值，训练目标为分类交叉熵+平滑损失的组合。为检验“拓扑—功能”关系，作者按层开展体内电生理式刺激：用正弦光栅测朝向选择性（V1样特征），在末层用d′评估类别选择性（面孔/场景/工具）。以局部香农熵刻画“中心—周边”的特征多样性，并通过熵引导损毁实验验证冗余区域的“可切除性”。进一步依据Ali等的神经能耗代理指标，量化模型前后激活引发的“突触传输/放电”能耗。最后，作者收集30名被试在5×5位置、40 ms呈现+Mondrian掩蔽的分类行为结果，构建空间准确率图与ADM（accuracy dissimilarity matrix），并将各模型在同类刺激上的空间偏置与人类数据逐一相关，以评估行为对齐度。

核心发现

1）架构即拓扑：平滑损失驱动“层层光滑”的权重地形（Fig. 1）

只要去掉权值共享，并在二维皮层片上对邻近单元施加平滑约束，All-TNN即可在保持分类能力的同时学习到空间平滑的权重拓扑。

要点：与CNN/LCN对比，All-TNN在各层均表现出显著更高的“权重平滑度”，且α越大越平滑；准确率与LCN相当，形成了真实皮层所需的空间结构。主图Fig. 1b–c给出分类性能与“1/平滑损失”的定量对比，为“结构不靠工程上的硬编码、而靠弱约束自组织”提供了关键证据。

2）V1样朝向图与“中心—周边”结构可由任务统计自发涌现（Fig. 2a–c）

All-TNN第一层形成平滑朝向选择性图并出现pinwheel等特征，同时呈现中心特征更多样、周边更同质的组织。

要点与图证：Fig. 2a展示All-TNN的朝向地图平滑且成簇，LCN呈“盐与胡椒”状，CNN则因权值共享而出现重复样式。Fig. 2b用香农熵量化“中心—周边”差异；Fig. 2c把训练图像整体右下平移30像素后，“高多样区域”也随之平移，说明该结构由任务相关信息分布驱动，而非建筑中心偏置。这是“拓扑=数据统计×平滑约束”的直接证据。

图10

3）高层出现类别选择性团簇，且平滑度随α增强（Fig. 2d）

末层在无权值共享前提下，自动形成对面孔/场景/工具的平滑成簇选择性，与灵长类IT皮层组织相呼应。

要点与图证：Fig. 2d左以d′可视化三类选择性地图，右图显示团簇平均尺度随α增大而增加；CNN/LCN对等可视化不呈现平滑团簇。该结果表明平滑约束可在高层表征中平衡“特征多样性与空间连续性”。

图11

4）拓扑带来能效优势：同等任务下更省能，且能量聚焦于信息最相关区域（Fig. 3）

All-TNN在代谢能耗代理上显著优于CNN/LCN，且能耗呈中心>周边分布，并随训练集统计而位移。

要点与图证：在ecoset测试时，CNN总能耗约为2.19×10¹¹，比All-TNN/LCN高一个数量级以上；All-TNN随α增大能耗进一步降低（α=10约1.35×10¹⁰，α=100约7.72×10⁹）。能量地图（Fig. 3b–c）显示中心能耗更高；当训练数据整体位移时，能耗高值区随之相应位移，吻合“把算力投到最有用的视野区域”的直觉。

图12

5）与人类空间偏置高度对齐：位置依赖的识别行为可被All-TNN最好预测（Fig. 4）

基于30名被试、5×5网格、40 ms呈现+300 ms掩蔽的行为实验，All-TNN在两类指标上均显著优于对照模型。要点与图证：

空间准确率图相关：All-TNN与人类平均图的类别均值相关最高（例如α=10：ρ≈0.306；α=100：ρ≈0.333），而CNN仅≈0.096；群体噪声上限≈0.869（Fig. 4e）。

对象特异的空间结构（ADM）：与人类ADM的Spearman相关以All-TNN（α=10）最佳（ρ≈0.185），CNN/LCN/TDANN均更低（Fig. 4f）。

人类数据还显示有生性与真实大小对ADM具有显著独立解释力（0.108与0.039），强调类别维度对空间偏置的影响（Fig. 4d）。这些证据共同表明：拓扑化的表征更能外推到人类的空间行为。

图13

图14

6）自监督同样生成拓扑，但对对象特异偏置的拟合较弱（Fig. 5）

用SimCLR训练的All-TNN可形成与监督版相似的朝向/类别拓扑与省能特性，但ADM对齐显著偏弱。

要点与图证：SimCLR-All-TNN的空间准确率图对齐（ρ≈0.271）虽优于CNN/LCN/TDANN，但其ADM相关≈−0.014，提示强增广可能破坏类别相关的空间统计，或因缺少类别读出信号而难以学到对象特异的空间结构。

图15

图16

图17

归纳总结与点评

这项工作以最小生物学偏置（仅“邻近平滑”）替代工程化的权值共享，端到端统一解释了皮层拓扑的形成、中心—周边组织、代谢效率优势与人类行为的空间偏置，是视觉计算神经科学中从结构到功能再到行为的有力闭环。其意义在于：为“为什么大脑要有拓扑、拓扑如何服务于能效与行为”提供了可检验的模型范式与实验管道。

可能的未来方向（3–5个）

代谢驱动学习：把能耗惩罚直接纳入训练目标，检验能效—拓扑—性能的三方权衡是否能内生出来。

视网膜/采样机制：引入类视网膜采样等发育信号，研究无外界标注条件下拓扑的发育轨迹。

跨模态拓扑：将All-TNN思想推广至听觉/体感等模态，检验“局部平滑+自然统计”是否是更普适的皮层组织原则。

病灶与干预建模：利用明确的拓扑地图开展定域化损毁/TMS的虚拟实验，连接到临床认知损伤。

自监督与位置信息：探索不破坏位置统计的增广策略，使自监督同样能学到对象特异的空间偏置。

图18

文章作者信息

第一作者（First author）：Zejin Lu

德语奥斯纳布吕克大学认知科学研究所机器学习组

柏林自由大学教育与心理学系视觉认知神经动力学组

Machine Learning Group, Institute for Cognitive Science, Osnabrück University, Germany;

Neural Dynamics of Visual Cognition Group, Dept. of Education and Psychology, Freie Universität Berlin, Germany

共同一作（Equal contribution）：Adrien Doerig, Victoria Bosch（与Z. Lu并列）

通讯作者（Corresponding author）

Zejin Lu

Tim C. Kietzmann

德语奥斯纳布吕克大学认知科学研究所机器学习组

Tim C. Kietzmann, Machine Learning Group, Institute for Cognitive Science, Osnabrück University, Germany（邮箱：tim.kietzmann@uni-osnabrueck.de）

期刊信息：Nature Human Behaviour，第9卷，2025年9月号，1975–1991；收稿：2023-08-21；接收：2025-04-17；在线：2025-06-06；DOI：10.1038/s41562-025-02220-7。

图19

本文解读基于：End-to-end topographic networks as models of cortical map formation and human visual behaviour，Doi：https://doi.org/10.1038/s41562-025-02220-7。核心图表、方法细节、统计结果与讨论见原文及其拓展数据。

分享人：GBQ

审核：PsyBrain 脑心前沿编辑部

图20