由自组织神经网络映射检测的人体对称性不确定性
神经元与认知
2021-03-02 v1
摘要
生物与物理系统中的对称性是由演化过程驱动的自组织产物,或受约束力学系统的产物。基于对称性的神经网络特征提取或表示可揭示大型图像数据库中最具信息量的内容。尽管人工智能在规则图案的识别与分类上成就显著,不确定性问题在模糊数据中仍为主要挑战。本研究中,我们提出一种人工神经网络,用于检测人类观察者中的对称性不确定性状态。为此,我们利用生物启发式自组织映射(Self Organizing Map)输出中的神经网络度量——量化误差(SOM QE)。具有完美几何镜像对称但因给定形状对内或跨形状对的色调、饱和度或亮度局部变化而导致外观非均匀的图形对,如本文所示,相对于对称判断会产生更长的“是”反应选择时间(RT)。这些数据与对同一刺激图像进行无监督神经网络分析所得的 SOM QE 变化一致对应。因此,该神经网络度量能够检测并标定人类针对图案的对称性不确定性。此种能力与其已被证实的对大型高度复杂图像数据中局部对比度与颜色变化的选择性密切相关。
引用
@article{arxiv.2103.00256,
title = {Human Symmetry Uncertainty Detected by a Self-Organizing Neural Network Map},
author = {Birgitta Dresp-Langley and John M. Wandeto},
journal= {arXiv preprint arXiv:2103.00256},
year = {2021}
}