深度网络中的脑类突现特性：网络架构、数据集和训练的影响
计算机视觉与模式识别
2025-12-12 v3 人工智能
摘要
尽管深度网络在标准化视觉基准测试上取得了快速进展，但在现实世界视觉任务中仍被人类所超越。一个解决方案是使深度网络更具脑类特性。尽管存在Several基准测试用于比较深度网络预测脑反应的能力，但它们并未捕捉到大脑中存在的细微但重要的突现特性。此外，尚不清楚哪种设计原则——网络架构、训练数据或训练方案——对这些突现特性影响最大。为了调查这些问题，我们系统评估了超过30个具有不同网络架构、训练数据集和训练方案的 state-of-the-art 网络是否存在脑类特性。我们的主要发现如下。首先，网络架构对脑类特性的影响最大，远超数据集和训练方案的变化。其次，网络在与大脑对齐方差异很大，没有单个网络在所有方面都占据优势。综上所述，我们的结果为实现人工视觉与人类视觉之间的差距提供了一套具有原则性和可解释性的路径。
引用
@article{arxiv.2411.16326,
title = {Brain-like emergent properties in deep networks: impact of network architecture, datasets and training},
author = {Niranjan Rajesh and Georgin Jacob and SP Arun},
journal= {arXiv preprint arXiv:2411.16326},
year = {2025}
}