作为人类反应时间模型的任意时刻预测

如今的神经网络在物体识别上常与人类一样好，因而可作为人类识别过程的模型。然而，多数此类网络在固定计算量后给出答案，而人类反应时间可变，例如根据刺激与任务性质从0.2到10秒不等。为建模难度对人类反应时间的影响，我们考虑一种使用早期退出分类器进行任意时刻预测的分类网络。比较人类与MSDNet在分类加有高斯噪声的CIFAR-10图像时的准确率，我们发现网络等效输入噪声标准差是人类15倍，且人类效率仅为网络的0.6%。当存在适量噪声使两位观察者（人类与网络）处于相同准确率范围时，它们对时长或FLOPS表现出非常相似的依赖，即非常相似的速度-准确率权衡。我们得出结论：任意时刻分类（即早期退出）是识别任务中人类反应时间的一个有前景的模型。