通过使用修剪后的DNN,改进了行为和神经相似空间的预测

科学领域:

• 认知科学 认知科学
• 神经科学是一个神经科学.
• 人工智能的人工智能

背景情况:

• 深度神经网络 (DNN) 越来越多地用于模拟大脑和行为.
• 以前的研究表明,DNN嵌入需要特征重权来匹配人类相似性判断.
• 这项研究挑战了这一概念,提出特征选择 (修剪) 是关键.

研究的目的:

• 调查是否修剪DNN特征,而不是重权重,更好地解释人类相似性判断.
• 探索使用人类行为和神经生物学数据修剪DNN.
• 评估修剪的有效性,以了解DNN中的知识表示.

主要方法:

• 基于人类相似性判断的监督DNN修剪 (研究1).
• 使用神经生物学数据修剪DNN来预测表示不相似度矩阵 (研究2).
• 将修剪与特征重权进行比较,以提高预测准确性和分类性能.

主要成果:

• 修剪改进了人类相似性判断的样本外预测和与WordNet等级的对齐.
• 修剪在分类准确度方面表现优于重权.
• 使用神经生物学数据进行修剪,有效地预测了来自大脑的表示不相似度矩阵.
• 修剪后的DNN可以创建热图,以识别与特定大脑区域相关的图像特征.

结论:

• 以人类数据为指导的DNN特征修剪,是比重权重更有效的方法,以使DNN与人类认知保持一致.
• 修剪识别了突出特征,揭示了DNN中的知识的组织原则.
• 这种方法有助于理解人工神经网络和生物神经网络之间共享的表示维度.