연구팀이 뇌, 행동, AI 표현의 핵심 차원을 분석하는 새로운 방법론 'Similarity-Based Representation Factorization (SRF)'을 개발했어요. SRF는 측정 데이터에서 얻은 유사성 행렬로부터 저차원, 비음수, 해석 가능한 임베딩을 복원하는 계산 방법이에요.
다양한 신경, 행동, 계산 데이터셋에서 SRF는 과도하게 샘플링되지 않거나 불완전한 데이터에서도 해석 가능한 차원을 복원하며, 기존 모델이 얻는 차원과 일치하는 결과를 보여줘요.
SRF는 표현 분석을 개선하고, 행동 특성 예측, 가설 검정의 정확도를 높여 연구에 활용될 수 있으며, 뇌, 행동, AI 표현의 차원을 이해하고 활용하는 데 기여할 것으로 기대돼요.