Effects of Data Distributions and Distance Measures in Representational Similarity Analysis

Abstract

Esindusliku sarnasuse analüüsis (RSA) on analüüsimise töörist sageli kasutatav arvutuslikus neuroteaduses. Ajust mõõdetud andmete kontekstis see annab meile võimaluse saada erinevate stiimulite esindusi ajus ning võrrelda neid esindusi erinevate aju alade, erinevate loomuliikide ja erinevate modaalsuste vahel. Erinevate modaalsuste kaudu kogutud andmete võrdlemine on eriti raske neuroteaduse ülesanne sest see vajab meilt mingil viisil seostada neid moodalsusi omavahel, mis mõnikord võib olla ebatriviaalne ülesanne. Ajust kogutud andmete arvutusliku või käitumise mudelitega võib olla veelgi raskem. RSA tegeleb mainitud probleemidega. Üks küsimus mis tekkib on kui palju lineaarsed korrelatsioonid muutuvad pärast RSA kasutamist, mis on selles tööd uuritud. Meie vaatleme detailselt kuidas korrelatsioonid kahe algmassiivi vahel mõjutavad korrelatsioone vastavate esinduste vahel pärast RSA kasutamist. Tulemused näitavad, et kõigil juthudel järgu korrelatsioonid töödeldud andmetel on väiksem või samad kui lineaarsed korrelatsioonid algandmetes. See effekt on eritiv nähtav kui lineaarne korrelatsioon kuulub vahepealsete väärtuste hulka (0.3-0.6). Järeldus on see, et RSA hindab alla lineaarseid korrelatsioone algandmetes. Teistes sõnades, korrelatsioonid algandmetes on tavaliselt suurem või samad võrreldes RSA kaudu arvutatud korrelatsioonidega. Sellepärast, et mõned aju uuritused mis kasutavad RSA teevad järeldusi sõltuvuse struktuurist võrreldes arvutatud representatsioone, teadmine sellest, kuidas tegelik korrelatsioonide struktuur moonutatakse oleks väga kasulik. Laiemas perspektiivis, see võib mõjutada meie arusaamist sellest, mis on suur või väike korrelatsioon RSA kontekstis ning millal korrelatsioon on piisavalt märkimisväärne selleks, et järeldada et kaks andmete massiivi are omavahel sõltuvad.