跳到正文
原文
arXiv · Neurons and Cognition· Nils Leutenegger
· 3 天前AI 评分46

未训练的 CNN 在高评估分辨率下于 V1 对齐上超过反向传播:四种学习规则与人类 fMRI 的系统性 RSA 比较

Untrained CNNs Exceed Backpropagation in V1 Alignment at High Evaluation Resolution: A Systematic RSA Comparison of Four Learning Rules Against Human fMRI

预印本 · 尚未经过同行评审

AI 导读

未训练 CNN 在 224 px 评估下 V1 对齐超过反向传播,该优势在 32 px 训练分辨率下消失。

摘要 · AI 翻译

修订说明:此处报告的 V1 结果对 arXiv:2611.15533 中所考察的分析选择并不稳健;见第 1 页。我们在相同的卷积网络中比较四种学习规则(反向传播(BP)、反馈对齐(FA)、预测编码(PC)和脉冲时序依赖可塑性(STDP)),使用表征相似性分析(RSA)将其与 THINGS-fMRI 的人类 fMRI 数据(720 个刺激,3 名被试)进行对比,并加入一个未训练的随机权重基线,以分离架构的贡献。模型在 32 px 的 CIFAR-10 上训练,并在 224 px 上评估;结果在 5 个随机种子上取平均,不确定性来自对刺激的重采样。在 V1,未训练基线超过 BP rho = 0.053$ vs. $0.022$;rho = +0.031$,95% CI $[0.019, 0.043]$),V2 也是如此。这一优势取决于评估分辨率:在分辨率研究的 5 种子模型集中(224 px 时差距为 $+0.030$),当模型在其 32 px 训练分辨率下评估时,该优势消失 rho = -0.001,95% CI $[-0.011, 0.009]$;arXiv:2608.12408)。在 LOC,BP、PC 和 STDP 超过未训练基线,FA 处于边缘,且各训练规则之间没有差异。在 IT,在数据的低可靠性下(留一被试下界 0.021),无法区分任意两个条件。FA 在 V1 的对齐度最低。因此,在 V1,未训练网络在训练分辨率下与 BP 相当,并在 224 px 下超过它;学习规则差异仅在中间区域可分辨。

中文由 AI 翻译,仅供参考,以原文为准。

来源:arXiv · Neurons and Cognition · arxiv.org

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。