探索自监督网络内部表征：few-shot学习能力与人类语义与对象识别
神经元与认知
2025-12-05 v1
摘要
近期自监督学习的进展引起了机器学习和神经科学领域的广泛关注。这主要是因为自监督方法无需标注监督信息，使其可用于训练不依赖大量精选数据的人造网络，并可能提供关于大脑如何适应环境的无监督机制的洞见。尽管已有多项研究阐明了深度卷积神经网络（DCNN）内部表征与生物学系统之间的对应关系，但无监督或自监督学习在多大程度上可以解释人类类似获取范畴结构信息的方式仍不为人所了解。在本研究中，我们检验了使用自监督对比学习算法训练的DCNN内部表征与人类语义和识别之间的对应关系。为此，我们采用few-shot学习评估程序，该程序测量DCNN从有限曝光中识别新概念的能力，以检验所学表征的间范畴结构。使用两种比较方法将few-shot学习结果与人类语义和识别关联，结果表明，通过对比学习获取的表征与人类认知良好对齐。这些发现凸显了自监督对比学习框架在无显式监督的情况下（如人类婴儿在语言习得前）建模类似人类大脑学习机制的潜力。
关键词
引用
@article{arxiv.2504.20364,
title = {Exploring internal representation of self-supervised networks: few-shot learning abilities and comparison with human semantics and recognition of objects},
author = {Asaki Kataoka and Yoshihiro Nagano and Masafumi Oizumi},
journal= {arXiv preprint arXiv:2504.20364},
year = {2025}
}