通过顶层反馈和神经随机性实现感觉鲁棒性：循环视觉模型中的研究
神经元与认知
2025-08-12 v1 计算机视觉与模式识别
机器学习
摘要
生物系统利用顶层反馈进行视觉处理，但大多数人工视觉模型仅使用纯 feedforward 或循环架构即可成功完成图像分类，这质疑了descending皮层通路的功能意义。本文训练了卷积循环神经网络（ConvRNN）在是否包含顶层反馈投射的情况下进行图像分类，以阐明这些反馈通路的具体计算贡献。我们发现，仅在使用随机神经可变性（通过dropout随机禁用单个单元）进行训练时，带有顶层反馈的ConvRNN才表现出惊人的速度-精度权衡和对噪声扰动和对抗性攻击的鲁棒性。通过进行详细分析以识别这些收益的原因，我们观察到反馈信息显著塑造了后整合层的表征几何，将底层和顶层流结合起来，这一效应被dropout放大。此外，反馈信号与dropout共同最佳约束网络活动映射到低维流形，并在out-of-distribution情景中更有效地编码物体信息，使顶层信息在群体层面稳定表征动力学。总体而言，这些发现揭示了韧性感觉编码的双重机制：一方面，神经随机性防止单元级共适应，尽管会导致更混乱的动力学；另一方面，顶层反馈利用高层信息稳定网络活动在紧凑低维流形上的活动。
引用
@article{arxiv.2508.07115,
title = {Sensory robustness through top-down feedback and neural stochasticity in recurrent vision models},
author = {Antonino Greco and Marco D'Alessandro and Karl J. Friston and Giovanni Pezzulo and Markus Siegel},
journal= {arXiv preprint arXiv:2508.07115},
year = {2025}
}