跨抽象层次对齐机器与人类视觉表征
原文中文，约400字，阅读约需1分钟。发表于：。本研究解决了深度神经网络与人类视觉表征之间的不对齐问题，尤其是在抽象层次上的差异。通过训练一个模仿人类判断的教师模型，并将其结构迁移到预训练的视觉模型中，提出了一种新的方法来改进模型表现与人类更接近的方式。结果表明，这些人类对齐的模型在多种相似性任务和机器学习任务中表现更佳，从而提高了泛化能力和对分布外情况的鲁棒性。
确定人类和人工智能之间的相似性和差异是机器学习和认知神经科学的重要目标。通过借鉴认知科学的最新发展，提出了一个通用框架，可在人类和深度神经网络中产生可比较的表示。深度神经网络模型应用于人类和自然图像揭示了低维度的嵌入，包括视觉和语义维度。与人类不同，深度神经网络显示出视觉特征优于语义特征的优势，表明图像表示策略存在分歧。人类和深度神经网络表示之间的直接比较表明它们在处理图像时存在重大差异。通过使表示直接可比较，结果揭示了表示对齐的重要挑战，为提高可比性提供了一种方法。
