NIPS 2016 人工与生物神经网络中的表示学习研讨会 (MLINI 2016)
机器学习
2017-04-12 v2
摘要
本研讨会探讨认知神经科学与旨在复现人类表现（如自然语言处理和计算机视觉）的人工智能领域最新进展之间的接口，特别是针对此类问题的深度学习方法。在研究大脑认知能力时，科学家遵循系统辨识方法，向被试呈现不同刺激并尝试建模不同脑区对该刺激的反应。目标是通过寻找以刺激的不同属性表达脑区活动的函数来理解大脑。实验刺激正变得日益复杂，越来越多的人致力于研究自然图像或自然句子感知等现实现象。因此，需要丰富且恰当的刺激属性向量表示，而这可利用机器学习的进展获得。与此同时，新的机器学习方法（其中许多属于深度学习）在某种程度上受到人类行为或生物学原理的启发。例如，神经网络最初受生物神经元启发。最近，诸如注意力等过程正被使用，其受到人类行为启发。然而，这些方法中的绝大部分独立于脑功能发现，且尚不清楚试图模拟脑功能以实现大脑所完成的相同任务是否对机器学习有益。
引用
@article{arxiv.1701.01437,
title = {NIPS 2016 Workshop on Representation Learning in Artificial and Biological Neural Networks (MLINI 2016)},
author = {Leila Wehbe and Anwar Nunez-Elizalde and Marcel van Gerven and Irina Rish and Brian Murphy and Moritz Grosse-Wentrup and Georg Langs and Guillermo Cecchi},
journal= {arXiv preprint arXiv:1701.01437},
year = {2017}
}