Jun, 2020

超越准确性：通过测量误差一致性来量化 CNN 和人类的逐试行为

PDF
TL;DR提出了一种基于 Trial-by-Trial 误差一致性的定量分析方法，可以区分决策者（大脑或算法）的处理策略，在对象识别方面，人类和机器视觉之间仍存在巨大的差异。
trial-by-trial error consistencyprocessing strategiesconvolutional neural networksobject recognitionhuman-machine vision
发现论文，激发创造
  • 卷积神经网络或 Transformer 模型更像人类视觉？

    比较了卷积神经网络和注意力网络的性能差异，使用新的指标展示了注意力网络的错误更贴近于人类，这些结果对于构建更人类化的视觉模型以及理解视觉对象识别在人类中的意义具有意义。

    May, 2021

  • 集成智慧：提高深度学习模型的一致性

    本文研究了部署模型的周期性重新训练对模型行为的影响，从而定义了学习模型的一致性和正确性一致性，并证明了集成学习器的一致性和正确性一致性不低于个体学习器的平均一致性和正确性一致性。最后，提出了一个高效的动态快照集成方法，并使用三个数据集和两个先进的深度学习分类器验证了理论。

    Nov, 2020

  • 神经网络及其衍生领域的知识一致性

    本文旨在分析预训练深度神经网络之间的知识一致性，并提出了一个泛化定义。方式是设计了一种任务不可知的方法来解开每个神经网络的原始中间层特征和表示一致知识的特征组成部分。这项工作可以用于不同应用，例如调整预训练网络以提高性能并解释基于知识蒸馏和网络压缩等深度学习技术成功的原因。

    Aug, 2019

  • 人类与深度神经网络的泛化能力

    通过对三种著名的深度卷积神经网络在十二种不同的图像失真下的实验对比，研究表明，与这三种人工智能算法相比，人类视觉系统在几乎所有的测试图像处理中都更加鲁棒，其误差模式渐行渐远。本文还证明了，利用失真图像直接训练的深度学习神经网络在恰当的测试条件下，表现优于人类。然而，当被分别用于测试不同类型的失真图像时，它们的泛化能力极差，无法适应噪声分布的变化，这成为深度学习视觉系统所面临的关键挑战，可用一种终身机器学习的方法进行系统化解决。

    Aug, 2018

  • 深度神经网络物体识别策略与人类的协调

    研究发现，尽管深度神经网络（DNNs）的成功主要是由于计算规模，而不是基于生物智能的洞见，但是随着精度的提高，DNNs 与人类视觉策略的一致性逐渐降低，但是神经谐振器的出现可以使 DNNs 与人类的视觉策略相一致并提高分类精度。

    Nov, 2022

  • 当信号变弱时，深度神经网络与人类的物体识别能力的比较

    本文比较了人类视觉系统和深度神经网络（DNN）在图像退化方面的泛化能力，发现人类视觉系统更加耐受于图像处理，而当信号变弱时，人类和 DNN 的分类误差模式逐渐分离，这表明在视觉识别方面，人类和 DNN 之间仍存在显著差异。

    Jun, 2017

  • 使用一致性检查评估超人模型

    本文提出了通过一致性检查来评估超人工智能模型的框架，并在国际象棋位置评估、未来事件预测和法律判决等三个任务上展示了逻辑不一致性的例子。

    Jun, 2023

  • ConvNets 和 ImageNet 超越准确性：理解错误和揭示偏见

    本研究从人类参与和解释性的角度出发，探究了 ConvNets 和 Imagenet 在图像分类上的性能、鲁棒性和偏差问题，并以实验和工具提出了解释作为改善模型可靠性和理解性的有效手段。

    Nov, 2017

  • 有监督和自监督模型之间出人意料的相似性

    本文探讨了自监督学习和人类行为之间的相似性，指出目前的自监督模型在噪声、类别和图像级别的误差模式、纹理偏好等方面与有监督模型相似，但仍不足以与人类视觉行为相提并论，期望未来的自监督模型能更接近人类的物体识别能力。

    Oct, 2020

  • 在类似尺度上比较人类和模型：走向共指消解中的认知性别偏见评估

    本文利用双过程理论研究了模型偏见与人类行为之间的关系，通过两个众包实验研究了人类与模型在性别偏见上的表现，发现在真实数据上，人类比模型更倾向于性别偏见，而在合成数据上，模型比人类更倾向于性别偏见。

    May, 2023