用于预测人类行为的端到端深度原型与样例模型
计算机视觉与模式识别
2020-07-20 v1
摘要
心理学中传统的类别学习模型侧重于类别层面的表征而非刺激层面的表征，尽管二者很可能相互作用。此类模型所采用的刺激表征或由实验者手工设计，或从人类判断中间接推断，或借用本身作为类别学习竞争模型的预训练深度神经网络。在本工作中，我们扩展经典的原型模型与样例模型，使其能从原始输入中联合学习刺激表征与类别表征。这一新类模型可由深度神经网络（DNN）参数化并端到端训练。沿用其名称，我们称之为深度原型模型、深度样例模型与深度高斯混合模型。与典型 DNN 相比，我们发现这些受认知启发的对应模型既对人类行为具有更好的内在拟合，又提升了真实分类性能。
引用
@article{arxiv.2007.08723,
title = {End-to-end Deep Prototype and Exemplar Models for Predicting Human Behavior},
author = {Pulkit Singh and Joshua C. Peterson and Ruairidh M. Battleday and Thomas L. Griffiths},
journal= {arXiv preprint arXiv:2007.08723},
year = {2020}
}
备注
7 pages, 4 figures, 2 tables. Accepted as a paper to the 42nd Annual Meeting of the Cognitive Science Society (CogSci 2020)