将绑定与视角采择作为生成式神经网络模型中的推断
机器学习
2021-10-19 v1 神经与进化计算
摘要
能够从不同视角灵活地将特征绑定为连贯整体的能力是认知与智能的标志。重要的是，绑定问题不仅与视觉相关，也与通用智能、感觉运动整合、事件处理以及语言相关。多种人工神经网络模型已通过动态神经场及相关方法处理该问题。本文关注一种生成式编码器-解码器架构，其通过回溯式推断调整自身视角并绑定特征。我们首先训练一个模型，以学习动态生物运动或其他谐波运动模式（如摆锤）的足够准确的生成模型。随后我们在一定程度上打乱输入，可能改变其视角，并将预测误差反向传播至一个绑定矩阵，即决定特征绑定的隐藏神经状态。此外，我们将误差进一步反向传播至视角采择神经元，这些神经元将输入特征旋转并平移至已知参考系。评估表明，所得到的基于梯度的推断过程解决了已知生物运动模式的视角采择与绑定问题，本质上产生了一种格式塔感知机制。此外，冗余特征属性与群体编码被证明极为有用。尽管我们在生物运动模式上评估该算法，这一原理性方法应可应用于其他领域的绑定与格式塔感知问题。
引用
@article{arxiv.2012.05152,
title = {Binding and Perspective Taking as Inference in a Generative Neural Network Model},
author = {Mahdi Sadeghi and Fabian Schrodt and Sebastian Otte and Martin V. Butz},
journal= {arXiv preprint arXiv:2012.05152},
year = {2021}
}