본 논문은 신경과학과 인공지능 분야에서 기본적인 도구로 사용되는 표상 유사성 측정법(RSM)의 여러 모델 패밀리에 대한 판별력을 체계적으로 비교 분석한 연구입니다. CNN, 비전 트랜스포머, Swin 트랜스포머, ConvNeXt 등 다양한 아키텍처와 지도 학습 및 자기 지도 학습과 같은 훈련 방식을 가진 모델들을 대상으로, RSA, 선형 예측성, 프로크루스테스 분석, 소프트 매칭 등 일반적으로 사용되는 여러 RSM의 판별 능력을 신호 탐지 이론의 d-prime, 실루엣 계수, ROC-AUC 등 세 가지 분리 가능성 측정법을 이용하여 체계적으로 평가했습니다. 더 엄격한 정렬 제약 조건을 적용하는 측정법일수록 분리 가능성이 체계적으로 증가함을 보였고, 매핑 기반 방법 중에서는 소프트 매칭이 가장 높은 분리 가능성을 달성했으며, 프로크루스테스 정렬과 선형 예측성이 그 뒤를 이었습니다. RSA와 같은 피팅이 없는 방법 또한 모델 패밀리 간 강력한 분리 가능성을 보였습니다. 본 연구는 분리 가능성 관점에서 RSM을 체계적으로 비교 분석한 최초의 연구이며, RSM의 상대적 민감도를 명확히 하고 대규모 모델 및 뇌 비교를 위한 측정법 선택에 대한 지침을 제공합니다.
