通过分析行为和神经成像数据，本研究揭示了大型语言模型（LLMs）中的对象概念表示与人类的相关性，证明了 LLMs 和多模式 LLMs 已经发展出类似于人类的概念性对象表示，该研究推动了对机器智能的理解并为开发更类似人类的人工认知系统提供了参考。

Jul, 2024

本研究探讨类别学习和奖励学习实验中的泛化技能和预测人类行为的最有效表示方法，结果表明，深度学习模型从文本和图像数据中训练得到的表示方式优于仅从图像中训练得到的表示方式，强调了语言在塑造人类认知中的作用。

Jun, 2023

通过将数据自表示与浅层神经网络相关联，提出了一种新颖的方法来学习表达性和可解释性更高的词嵌入，并在下游任务中表现出竞争性和性能更好的结果。

Jun, 2023

利用仅依赖于大脑可访问的信息进行训练的图像序列和自我运动，我们开发了一种新颖的网络架构，能够同时学习从离散图像中分割对象、推断其三维位置和感知深度，从而作为预测学习的副产品有效地学习对象的表示。

Mar, 2024

使用种子词义空间和人类评价指导相结合的方法，在预测物体属性和风格属性方面，表现出了明显更好的性能，尤其是在种子词义空间不能很好工作的情况下。

Apr, 2024

提出了一种层次混合概率主成分的理性分类模型，可以同时学习类别表示和经济有效的特征集，捕捉人类分类中的维度偏差并支持零样本学习，通过模拟和行为实验进行了验证。

May, 2023

本文通过引入稀疏表示的思想将 word embeddings 应用到 sentence embeddings 中，基于主题连贯性方法引入了一种新的、定量的自动化评估指标，并在电影对话数据集和 MS COCO 数据集的场景描述上观察到了 interpretability 的提高。

Sep, 2018

该研究探讨了一种计算模型，即词嵌入模型，通过将词表示为多维空间中的向量，从词汇共现模式中学习来自语义记忆中的常见知识，并提出了语义投影的解决方案，以检验词嵌入模型是否能够恢复多种语义特征和对象属性的上下文依赖关系。

Feb, 2018

通过一种有监督学习方法，针对特定领域（例如运动、职业），识别出一组强烈改善人类相似度判断预测的模型特征子集，并通过两种方法解释所保留特征的语义，从而揭示了人类如何根据性别包容性和国际性来区分运动类别，以及不同领域中特征对不同语义维度的预测能力。对于职业特征而言，最能预测认知、情感和社会维度，而对于水果或蔬菜特征而言，则最能预测味觉维度。讨论了对于人工智能系统与人类知识之间的对齐的意义。

Oct, 2023

为建立成功的推荐系统，我们需要针对用户偏好和物品属性描述寻找关键维度，其中在像服装推荐等领域，将用户偏好解释为建模所需的物品的视觉外观也使得推荐变得更具挑战性，因此本论文提出了一种采用新型层次嵌入结构，可以同时考虑高层次（颜色、暗度等）和微妙（例如休闲度）的视觉特征维度，以应对真实世界数据集的稀疏性、可变性和规模。

Apr, 2016