Alinear las representaciones visuales de máquinas y humanos a través de los niveles de abstracción

Área de la Ciencia:

• Inteligencia artificial
• Ciencias cognitivas
• Visión por computadora

Sus antecedentes:

• Las redes neuronales profundas (DNNs) se utilizan cada vez más como modelos para el comportamiento humano y las representaciones neuronales.
• Sin embargo, existen diferencias significativas entre la capacitación de DNN y el aprendizaje humano, lo que lleva a una mala generalización en los modelos.
• Los modelos de visión actuales a menudo no logran capturar la organización jerárquica del conocimiento conceptual humano.

Objetivo del estudio:

• Identificar y abordar el desajuste entre el conocimiento conceptual humano y las representaciones de DNN.
• Desarrollar modelos de visión más alineados con los humanos que exhiban una mejor generalización y robustez.
• Investigar métodos para infundir conocimiento humano en sistemas de inteligencia artificial (IA).

Principales métodos:

• Entrenó a un maestro modelo para imitar los juicios humanos sobre la similitud conceptual.
• Transfirió la estructura de representación alineada con el ser humano del modelo de maestro a los modelos de base de visión de última generación a través del ajuste fino.
• Modelos evaluados en tareas de similitud utilizando juicios humanos a través de múltiples niveles de abstracción semántica.

Principales resultados:

• Los modelos alineados con humanos demostraron aproximaciones más precisas del comportamiento humano y la incertidumbre.
• El rendimiento mejoró en diversas tareas de aprendizaje automático, mostrando una mayor generalización y robustez fuera de la distribución.
• Los modelos capturaron con éxito las abstracciones semánticas jerárquicas presentes en la cognición humana.

Conclusiones:

• La integración del conocimiento humano en las RND crea una representación híbrida que se alinea mejor con los juicios cognitivos humanos.
• Este enfoque conduce a sistemas de IA más robustos, interpretables y alineados con los humanos.
• Infundir la IA con el conocimiento humano ofrece un camino prometedor hacia una inteligencia artificial más capaz y confiable.