Николас Кригескорте

Николас Кригескорте (полное имя — Николас Йоханнес Мария Кригескорте, нидерл. Nicolaas Johannes Maria Kriegeskorte; род. 1972, Нидерланды) — нидерландский и американский учёный в области когнитивной нейронауки, специалист по методам анализа данных нейровизуализации. Наиболее известен разработкой концепции «репрезентационной подобия» (representational similarity analysis, RSA) — методологического подхода, позволяющего сравнивать репрезентации стимулов в мозге и в моделях искусственного интеллекта. Профессор Колумбийского университета (США), руководитель лаборатории когнитивной нейронауки.

Ранние годы и образование

Николас Кригескорте родился в 1972 году в Нидерландах. О его ранних годах известно немного. Он получил степень магистра в области психологии и искусственного интеллекта в Утрехтском университете (Нидерланды). В 1999 году защитил докторскую диссертацию (PhD) в области когнитивной нейронауки в Институте Макса Планка по биологической кибернетике (Тюбинген, Германия). Тема диссертации была связана с моделированием зрительного восприятия и обработкой информации в мозге.

Научная карьера

После защиты диссертации Кригескорте работал в Институте Макса Планка по когнитивной нейронауке (Лейпциг, Германия), а затем — в Лаборатории нейровизуализации при Университетском колледже Лондона (Великобритания). В 2008 году он перешёл в Национальный институт психического здоровья (NIMH) США, где возглавил группу по анализу данных нейровизуализации. В 2014 году стал профессором Колумбийского университета (Нью-Йорк), где основал и возглавил Лабораторию когнитивной нейронауки.

Основные направления исследований Кригескорте включают:

• методы анализа функциональной магнитно-резонансной томографии (фМРТ);
• репрезентационное подобие (RSA);
• сравнительное изучение репрезентаций в мозге человека и в искусственных нейронных сетях;
• механизмы зрительного восприятия и распознавания объектов.

Репрезентационный анализ подобия (RSA)

Наиболее значительный вклад Кригескорте в науку — разработка и популяризация метода репрезентационного анализа подобия (Representational Similarity Analysis, RSA). Метод был впервые описан в 2008 году в статье «Representational similarity analysis — connecting the branches of systems neuroscience» (соавторы: Р. А. Мур, К. Д. Хансен). RSA позволяет количественно сравнивать, как различные системы (например, мозг человека, нейронная сеть, поведенческие данные) кодируют информацию о стимулах.

Основная идея RSA заключается в построении матриц репрезентационного подобия (RDM) — квадратных матриц, в которых каждый элемент отражает степень сходства между двумя стимулами в данной системе. Затем эти матрицы сравниваются между собой с помощью корреляционных мер (например, коэффициента корреляции Спирмена). Это даёт возможность:

• выявлять, какие области мозга кодируют сходные репрезентации;
• сравнивать репрезентации в мозге человека и в моделях машинного обучения;
• изучать, как репрезентации меняются с опытом или в ходе развития.

RSA стал одним из стандартных инструментов в когнитивной нейронауке и используется для анализа данных фМРТ, ЭЭГ, МЭГ, а также в исследованиях на животных (электрофизиология).

Другие научные достижения

Кригескорте внёс вклад в разработку методов анализа многомерных данных нейровизуализации, включая:

• Многомерное декодирование (multivariate pattern analysis, MVPA) — методы, позволяющие предсказывать, какой стимул видит испытуемый, по паттернам активности мозга.
• Поиск репрезентаций (searchlight mapping) — техника, при которой анализ проводится для каждого небольшого объёма мозга (сферы), что позволяет картировать, где именно в мозге представлена та или иная информация.
• Сравнение мозга и ИИ — совместно с коллегами Кригескорте показал, что репрезентации в искусственных нейронных сетях, обученных распознаванию объектов, частично соответствуют репрезентациям в зрительной коре человека.

Критика и ограничения

Метод RSA, несмотря на широкую популярность, подвергается критике за:

• зависимость от выбора меры сходства (корреляция, евклидово расстояние и т.д.);
• чувствительность к шуму в данных, особенно при малом числе стимулов;
• необходимость априорного задания стимульного пространства, что может влиять на интерпретацию результатов.

Сам Кригескорте признаёт эти ограничения и в своих работах предлагает способы их преодоления (например, использование кросс-валидации и бутстрепа).

Публикации и признание

Николас Кригескорте является автором более 100 научных статей в рецензируемых журналах, включая Nature, Nature Neuroscience, Neuron, Journal of Neuroscience и другие. Его работы имеют высокий индекс цитирования (h-индекс > 50). Он входит в редакционные коллегии нескольких журналов по нейронауке и является членом Общества нейронаук (Society for Neuroscience).

В 2019 году Кригескорте получил премию «Мозг и поведение» (Brain and Behavior Research Foundation) за вклад в развитие методов анализа нейровизуализации.

Личная жизнь

Николас Кригескорте женат, имеет двоих детей. В свободное время увлекается фотографией и путешествиями. Проживает в Нью-Йорке (США).

Источники

• Kriegeskorte, N., Mur, M., & Bandettini, P. (2008). Representational similarity analysis – connecting the branches of systems neuroscience. Frontiers in Systems Neuroscience, 2, 4.
• Kriegeskorte, N., & Kievit, R. A. (2013). Representational geometry: integrating cognition, computation, and the brain. Trends in Cognitive Sciences, 17(8), 401–412.
• Kriegeskorte, N. (2015). Deep neural networks: a new framework for modeling biological vision and brain information processing. Annual Review of Vision Science, 1, 417–446.
• Личная страница Николаса Кригескорте на сайте Колумбийского университета (columbia.edu).
• Профиль в Google Scholar.