深度强化学习模型预测大脑视觉响应：初步结果
机器学习
2021-06-21 v1 神经元与认知
摘要
监督式深度卷积神经网络（DCNNs）是当前最好的计算模型之一，能够解释灵长类腹侧视觉通路如何解决物体识别。然而，现有视觉处理模型尚未考虑具身认知。从生态学角度看，人类通过与物体交互来学习识别物体，从而实现更好的分类、专门化与泛化。在此，我们探究在具身学习框架下的计算模型是否能比现有监督模型更好地解释灵长类视觉系统中物体识别的机制？为回答此问题，我们使用强化学习训练神经网络模型来玩3D电脑游戏，并发现这些强化学习模型在早期视觉区域（如V1和V2）的神经响应预测准确率得分与监督神经网络模型所达到的水平相当。相比之下，与强化学习模型相比，监督神经网络模型在更高视觉区域产生了更好的神经响应预测。我们的初步结果表明，未来视觉神经科学应纳入深度强化学习以填补缺失的具身概念。
引用
@article{arxiv.2106.10112,
title = {Deep Reinforcement Learning Models Predict Visual Responses in the Brain: A Preliminary Result},
author = {Maytus Piriyajitakonkij and Sirawaj Itthipuripat and Theerawit Wilaiprasitporn and Nat Dilokthanakul},
journal= {arXiv preprint arXiv:2106.10112},
year = {2021}
}