心理物理机器学习
我们发现身体感受的对数和刺激之间的关系 - 韦伯 - 费希纳定律对人类概念的学习算法有利,特别是通过神经网络的对数幂级数的作用,可以在少数训练迭代和有限的计算资源内加速机器对人类概念的学习。
Apr, 2022
分析一个由 214,200 个人类相似性判断和 390,819 个人类普遍性判断数据所组成的高维数据集,提供支持 Shepard 通用相似度定律的间接证据。
Jun, 2023
使用大型语言模型结合经典的心理物理学方法,从文本中提炼出心理物理信息,然后应用多维尺度方法发现其潜在的心理空间。在六个知觉域上测试我们的方法,成功地拟合了文献中已知的心理物理结构。这项工作展示了如何将最先进的机器模型与经典的认知范式相结合,从而阐明感知和语言研究中的基本问题。
Feb, 2023
通过机器学习技术,我们设计了针对现有实验数据的拟合和满足美感、自然性等抽象理论家标准的损失函数。我们以 Yukawa 夸克部门作为一个案例,证明了这些损失函数的优化可以得到真实而美观的模型。
Oct, 2023
本文研究了神经网络的随机分析,通过解决技术上的一些难点,证明了在大规模网络和大规模随机梯度下降训练迭代的渐近情况下,神经网络参数的经验分布收敛于一个非线性偏微分方程的解,此结果可以被认为是神经网络的大数定律。此外,我们的分析结果发现神经网络的训练参数渐近独立,这被称为 “混沌传播” 性质。
May, 2018
本论文旨在应用物理学中的对称性、局域性、复合性和多项式对数概率等性质,研究深度神经网络在近似处理特定实际问题时可以使用相对简单的模型,从信息论的角度证明这些理论,并通过层次结构的机制使深层模型比浅层模型更高效。
Aug, 2016
本文介绍了自由能原理在大脑科学中的应用,结合视知觉、机器学习以及统计热力学等领域的理论,提供了一种生物学上可行的自由能实现方案的数学评估及其物理结构,旨在揭示自由能原理实现方案对大脑科学的重要性。
May, 2017
该论文介绍了一种新的算法,利用由 Observer Engine 和 Physicist Engine 组成的流程来从视频中推断出物理规律和数学公式,实验结果表明该算法能够有效地应用在不同的物理世界中。
Nov, 2018