图神经网络揭示基于强化学习的运动学习中的几何神经表征
原文中文，约400字，阅读约需1分钟。发表于：。本研究解决了如何通过图神经网络捕捉脑电图（EEG）数据中神经表征的几何特性的问题。研究表明，通过任务特定的预训练策略提升模型性能，同时揭示了运动学习和反馈处理中的神经表征稳定的几何结构，对阐明复杂任务中大脑活动的基本原则具有重要意义。
研究表明，具有一个隐藏层的神经网络中，激活函数对几何表示的影响超出预期。Tanh网络更倾向于学习目标输出结构，而ReLU网络则保留更多原始输入信息。这种差异源于ReLU的非对称渐近行为，使特征神经元关注输入空间的不同区域。Tanh网络在低维目标输出时生成的神经表示更具解耦性，揭示了输入输出几何、非线性与学习表示之间的关系。
