RTify: 使深度神经网络与人类行为决策对齐

当前的灵长类视觉神经网络模型侧重于复制行为准确性的整体水平，常常忽略了感知决策丰富、动态的本质。在这里，我们引入了一个新颖的计算框架，通过学习将循环神经网络（RNN）的时间动态与人类反应时间（RTs）对齐，来模拟人类行为选择的动态。我们描述了一种近似方法，该方法允许我们约束RNN在解决任务时所用的时间步数与人类RTs一致。该方法在各种心理物理学实验中得到了广泛评估。我们还表明，该近似方法可用于优化一个“理想观察者”RNN模型，以在没有人类数据的情况下实现速度与准确性的最优权衡。发现所得模型能很好地解释人类RT数据。最后，我们使用该近似方法来训练流行的Wong-Wang决策模型的深度学习实现。该模型与一个视觉处理的卷积神经网络（CNN）模型集成，并使用人工和自然图像刺激进行评估。总的来说，我们提出了一个新颖的框架，有助于使当前的视觉模型与人类行为对齐，使我们更接近一个整合的人类视觉模型。