📄 Показана версия «Просто» — «Подробно» пока не готова. Добавьте ★ в избранное, если хотите её ускорить. Прошу разобрать полностью

Два бегуна на одной дорожке. Один стартует с середины дистанции, другой — с нуля. Кто быстрее? Ответ очевиден, но в науке о мозге такой трюк долго оставался незамеченным. Нейросети, повторяющие связи настоящего мозга мухи-дрозофилы, считались более умелыми учениками, чем случайные сети. Их хвалили за быстрый старт и экономию времени.

Но вот бегунов поставили на одну линию. Исследователи взяли карту связей мозга дрозофилы и сравнили её с двумя видами случайных сетей: простой случайной и более хитрой, где у каждого «нейрона» столько же связей, сколько в настоящем мозге. При слабом контроле — когда обе сети начинали с уже обученного состояния, а случайная сеть лишь приблизительно походила на мозг по общим числам — биологическая схема выигрывала. Она быстрее снижала ошибку, показывала более высокую активность и работала шустрее.

Когда обе сети начинали обучение с нуля, преимущество в скорости исчезло. А когда случайную сеть заменили на сеть с таким же распределением связей, исчезло и кажущееся преимущество в активности. Пять разных случайных сетей с сохранением числа связей подтвердили: разницы нет. Раньше сообщалось о превосходстве биологической топологии, но теперь видно — дело было в условиях эксперимента, а не в самой схеме.

Так бегун с фальшивой форой оказался обычным бегуном. Схема связей в мозге мухи, возможно, и хороша для мухи, но её преимущество перед случайной сетью в задачах обучения пока не доказано. Честный старт всё расставил по местам.

Оригинальная аннотация

как её написали авторы, на английском arXiv:2604.04033

Connectome-constrained neural networks are often evaluated against sparse random controls and then interpreted as evidence that biological graph topology improves learning efficiency. We revisit that claim in a controlled flyvis-based study using a Drosophila connectome, a naive self-loop-matched random graph, and a degree-preserving rewired null. Under weak controls, in which both models were recovered from a connectome-trained checkpoint and the null matched only global graph counts, the connectome appeared substantially better in early loss, mean activity, and runtime. That picture changed under stricter controls. Training both graphs from a shared random initialization removed the early loss advantage, and replacing the naive null by a degree-preserving null removed the apparent activity advantage. A five-sample degree-preserving ensemble and a pre-training activity-scale diagnostic further strengthened this revised interpretation. We also report a descriptive mechanism analysis of the earlier weak-control comparison, but we treat it as behavioral characterization rather than proof of causal superiority. We show that previously reported topology advantages in connectome-constrained neural networks can arise from initialization and null-model confounds, and largely disappear under fair from-scratch initialization and degree-preserving controls.