From Activation to Causality: Discovery of Causal Visual Representations in the Human Brain

核心要点

问题/背景

这篇论文指出传统 activation maximization 只能说明某区域对概念强响应，不能证明该区域真正表征概念本身，因为相关视觉/语义线索会造成大量假阳性。

方法/机制

BrainCause 组合生成模型和 image-to-fMRI encoding model，自动构造目标概念图、去除目标概念的 counterfactual edits、以及相关干扰概念图，再用因果分数筛选特异性表征并生成后续 fMRI 实验建议。

结果/证据

它值得收录，因为它把生成式模型变成神经表征发现的主动实验工具，提供了从相关激活到因果验证的可复用工作流，对 AI 解释、概念表征和 NeuroAI 实验设计都有方法价值。

收录价值

按当前收录规则，它属于神经视觉表征研究中的 workflow-level 方法突破；但很多结论仍依赖编码模型质量和生成 counterfactual 的保真度。