代价函数与多任务深度神经网络视角下的视觉通路

视觉研究受到一个开创性见解的塑造，即我们可以从具有不同目标的多条功能通路的视角来理解高级视觉皮层。在本文中，我们尝试通过多任务深度神经网络的视角进行推理，对该系统的功能组织给出计算解释。机器学习表明，当任务被分解为具有各自代价函数的子任务时更容易求解。我们假设视觉系统优化不相关任务的多个代价函数，这导致了专门用于感知视觉的腹侧通路和专门用于行动视觉的背侧通路的涌现。为了评估多任务深度神经网络中的功能组织，我们提出了一种衡量单元对每项任务贡献的方法，并将其应用于两个网络，这两个网络使用相同的刺激集训练于两个相关或两个不相关的任务。结果表明，训练于不相关任务的网络在朝向高层时特征表示共享程度递减，而训练于相关任务的网络则均匀表现出高度共享。我们推测所提出的方法可用于分析视觉系统及更广泛的解剖与功能组织。我们预测任务间的相关程度是它们共享下游皮层单元程度的一个良好描述符。