統計解碼與機器學習基礎
表徵相似性分析（RSA）
一種分析框架，刻畫神經訊號的方式不在於它能解碼哪個刺激或類別，而在於其表徵的幾何：計算一個表徵相異矩陣（RDM），其元素為每對條件之反應樣式間的距離（如 1 − 相關，或經交叉驗證的馬氏／crossnobis 距離）。兩個系統——腦區、受試者、時間點，或模型與大腦——藉由關聯其 RDM 來比較，從而抽離掉無法直接比較的個別通道或單元。
RSA 是二階、以模型比較為導向：它不問某類別能否被解碼，而問哪個候選的表徵幾何（物理特徵模型、語意模型、深度網路某層）最能預測所量測的相異結構。經交叉驗證的距離估計量（crossnobis）給出不偏、在虛無下為零的相異度，使 RSA 成為當問題關乎表徵結構而非控制時、對準確率的嚴謹替代。
欲問運動皮質是否以幾何方式編碼伸取方向，可對八個方向的群體反應建立 RDM；一個環狀 RDM（相鄰方向相似、相反方向相距遠）比類別式模型更契合餘弦調諧模型。
RSA 比較的是表徵幾何，而非可解碼性。
RSA 與解碼互補。可解碼性顯示資訊是線性可得的；RSA 刻畫其格式。高解碼準確率卻搭配不契合的 RDM，告訴你資訊在那裡，但不在你模型所預測的幾何中。
又稱
另見