论大语言模型脑评分之形态

Jingkai Li

论大语言模型脑评分之形态

神经元与认知 2024-05-16 v3 人工智能计算与语言机器学习

作者: Jingkai Li

摘要

随着大语言模型(LLM)的兴起，新型指标“脑评分(Brainscore)”应运而生，用以评估LLM与人类大脑/神经系统之间的功能相似性。我们致力于通过构建拓扑特征来挖掘这一新指标的内涵，这些特征源自190名受试者的人类功能磁共振成像(fMRI)数据，以及39个LLM及其未训练的对照模型。随后，我们训练了36个线性回归模型，并进行了全面的统计分析，以从我们构建的特征中识别出可靠且有效的特征。我们的发现揭示了独特的特征组合，有助于解释不同感兴趣脑区(ROI)和大脑半球的现有脑评分，从而为推进可解释机器学习(iML)研究做出重要贡献。我们围绕现有脑评分展开的进一步讨论与分析丰富了这项研究。据我们所知，本研究是在这一跨学科领域内理解脑评分这一新指标的首次尝试。

关键词

脑评分大语言模型功能磁共振成像拓扑特征可解释机器学习神经相似性线性回归

引用

@article{arxiv.2405.06725,
  title  = {On the Shape of Brainscores for Large Language Models (LLMs)},
  author = {Jingkai Li},
  journal= {arXiv preprint arXiv:2405.06725},
  year   = {2024}
}

备注

Published as a workshop paper at ICLR AGI Workshop 2024

论大语言模型脑评分之形态

摘要

关键词

引用

备注

相关论文