通过复值表示与 Kuramoto 同步动力学增强深度神经网络
计算机视觉与模式识别
2025-08-05 v2 人工智能
适应与自组织系统
神经元与认知
摘要
神经同步被假设在大脑如何将视觉场景组织为结构化表示中起关键作用，从而实现对场景中多个对象的稳健编码。然而，当前的深度学习模型通常难以进行对象绑定，限制了其有效表示多个对象的能力。受神经科学启发，我们研究了基于同步的机制能否增强为视觉分类训练的人工模型中的对象编码。具体而言，我们将复值表示与 Kuramoto 动力学相结合以促进相位对齐，从而促进属于同一对象的特征分组。我们评估了两种采用同步的架构：一个前馈模型和一个带有反馈连接的循环模型，后者利用自上而下的信息来细化相位同步。在涉及多对象图像的任务（如重叠的手写数字、噪声输入和分布外变换）中，这两个模型均优于其实值对应模型和没有 Kuramoto 同步的复值模型。我们的发现突出了同步驱动机制增强深度学习模型的潜力，可提升其在复杂视觉分类任务中的性能、稳健性和泛化能力。
引用
@article{arxiv.2502.21077,
title = {Enhancing deep neural networks through complex-valued representations and Kuramoto synchronization dynamics},
author = {Sabine Muzellec and Andrea Alamia and Thomas Serre and Rufin VanRullen},
journal= {arXiv preprint arXiv:2502.21077},
year = {2025}
}