深度神经网络的认知心理学研究：以形状偏好为例
机器学习
2017-06-30 v2 计算机视觉与模式识别
机器学习
摘要
深度神经网络（DNN）在众多复杂任务上取得了前所未有的性能，迅速超越了我们对其解决方案本质的理解。这引发了近期对使现代神经系统更具可解释性方法的兴趣激增。在本工作中，我们提议利用认知心理学家为研究人类心智而发展出的丰富的问题描述、理论和实验方法历史，来解决现代 DNN 的可解释性问题。为探索这些工具的潜在价值，我们选取了发展心理学中一个成熟的、解释儿童如何学习物体词汇标签的分析方法，并将其应用于 DNN。使用受原始认知心理学实验启发的刺激数据集，我们发现，在 ImageNet 上训练的最先进的单样本学习模型表现出与人类相似的偏好：它们更倾向于根据形状而非颜色对物体进行分类。这种形状偏好的强度在架构相同但随机种子不同的模型间差异很大，甚至在训练过程中同一随机种子内也会波动，尽管分类性能几乎相同。这些结果证明了认知心理学工具揭示 DNN 隐藏计算特性的能力，同时为我们提供了一个人类词汇学习的计算模型。
引用
@article{arxiv.1706.08606,
title = {Cognitive Psychology for Deep Neural Networks: A Shape Bias Case Study},
author = {Samuel Ritter and David G. T. Barrett and Adam Santoro and Matt M. Botvinick},
journal= {arXiv preprint arXiv:1706.08606},
year = {2017}
}
备注
ICML 2017