Vector Similarity Misattribution as a Mechanism for Déjà Vu: A Bridge from Brain-Inspired AI to Similarity-Based Memory Errors

--- ## 🧠 Abstract (English) This preprint proposes a computational and cognitive explanation for the déjà vu phenomenon through the model of **Vector Similarity Misattribution (VSM)**. The model suggests that déjà vu arises when the current perceptual state is highly similar to a stored memory trace in a high-dimensional representational space, generating a strong **familiarity** signal, while the metacognitive monitoring system fails to localize a concrete episodic source. Functionally, VSM is a **false positive** in similarity-based retrieval: the system returns “this matches something” without recovering “what it matches.” We argue that the historical arrow of influence (brain → AI) makes this framing more than metaphor: early AI was explicitly brain-inspired (formal neurons, learning rules, distributed representations), and contemporary embedding retrieval can be interpreted as an engineering instantiation of long-standing similarity-based memory models (global matching, distributed traces). We further articulate a formal analogy between déjà vu and **hallucinations** in natural language generation: both can be viewed as internal signals (familiarity or factual coherence) crossing a decision threshold under incomplete, noisy, or weakly grounded evidence, yielding a plausible but unanchored outcome. Finally, we derive falsifiable predictions — including the role of brief “glance” encoding, configural similarity, and conflict-monitoring signatures — and outline behavioral, VR, and neuroimaging experiments to test the VSM model. --- ## 🧠 Resumo (Português) Este preprint propõe uma explicação computacional e cognitiva para o fenômeno do déjà vu com base no modelo de **Vector Similarity Misattribution (VSM)**. O modelo sugere que o déjà vu ocorre quando o vetor representacional de um estado perceptual atual é altamente similar a um traço de memória armazenado em um espaço de alta dimensionalidade, gerando um sinal de **familiaridade** forte, enquanto o sistema metacognitivo de monitoramento falha em localizar uma fonte episódica concreta. Funcionalmente, o VSM representa um **falso positivo** em recuperação baseada em similaridade: o sistema retorna “isto corresponde a algo” sem conseguir recuperar “ao que corresponde”. Argumentamos que a direção histórica da influência (do cérebro para a IA) torna essa formulação mais do que uma metáfora: a IA inicial foi explicitamente inspirada no cérebro (neurônios formais, regras de aprendizado, representações distribuídas), e os sistemas modernos de recuperação por embeddings podem ser vistos como instâncias engenheiradas de modelos clássicos de memória por similaridade (matching global, traços distribuídos). Também desenvolvemos uma analogia formal entre o déjà vu e **alucinações** na geração de linguagem natural: ambos podem ser vistos como sinais internos (familiaridade ou coerência factual) que cruzam um limiar decisório sob evidência incompleta ou fraca, produzindo um resultado plausível porém sem ancoragem real. Por fim, derivamos predições falseáveis — incluindo o papel de codificação rápida (*glance*), similaridade configural e assinaturas de monitoramento de conflito — e propomos protocolos experimentais (comportamentais, em VR e neuroimagem) para testar o modelo VSM. --- ## 🧠 Résumé (Français) Ce préprint propose une explication computationnelle et cognitive du phénomène de déjà vu à travers le modèle de **Vector Similarity Misattribution (VSM)**. Le modèle suggère que le déjà vu survient lorsque l’état perceptuel actuel est fortement similaire à une trace mnésique stockée dans un espace représentationnel de haute dimension, générant un signal de **familiarité** intense, tandis que le système métacognitif de surveillance échoue à localiser une source épisodique concrète. Fonctionnellement, le VSM constitue un **faux positif** dans un processus de récupération basé sur la similarité : le système retourne « ceci correspond à quelque chose » sans pouvoir récupérer « à quoi cela correspond ». Nous soutenons que l’axe historique d’influence (du cerveau vers l’IA) donne à cette interprétation une valeur plus que métaphorique : l’IA initiale a été explicitement inspirée du cerveau (neurones formels, règles d’apprentissage, représentations distribuées), et les systèmes modernes de recherche par embeddings peuvent être considérés comme des instanciations techniques de modèles classiques de mémoire fondés sur la similarité. Nous articulons également une analogie formelle entre le déjà vu et les **hallucinations** dans la génération de langage naturel : dans les deux cas, un signal interne (familiarité ou cohérence factuelle) franchit un seuil décisionnel malgré une preuve incomplète, produisant un résultat plausible mais non justifié. Enfin, nous dérivons des prédictions falsifiables — incluant le rôle de l’encodage bref (*glimpse*), la similarité configural et les signatures de monitoring de conflit — et proposons des protocoles expérimentaux (comportementaux, en réalité virtuelle et en neuroimagerie) pour tester le modèle VSM. ---