作为分布外泛化预测脑模型的迭代VAE
机器学习
2020-12-02 v1 人工智能
摘要
我们泛化到训练数据之外的新颖分布外图像退化的能力是灵长类视觉的标志。以预测编码网络（PCNs）为代表的预测脑已成为神经计算的突出神经科学理论。受变分自编码器（VAEs）在机器学习中近期成功的启发，我们严格推导了PCNs与VAEs之间的对应关系。这促使我们考虑VAEs的迭代扩展（iVAEs）作为PCNs合理的变分扩展。我们进一步证明iVAEs对分布偏移的泛化能力显著优于PCNs和VAEs。此外，我们提出了一种针对单个样本的可识别性新度量，可与人类心理物理数据进行检验。总体而言，我们希望这项工作能激发对iVAEs作为神经科学建模中有前景新方向的兴趣。
引用
@article{arxiv.2012.00557,
title = {Iterative VAE as a predictive brain model for out-of-distribution generalization},
author = {Victor Boutin and Aimen Zerroug and Minju Jung and Thomas Serre},
journal= {arXiv preprint arXiv:2012.00557},
year = {2020}
}