2025-01-08 资讯 0
AI 科技评论：机器学习顶会 NeurIPS 2019 即将在 12 月开幕，共收到 6743 篇投稿，其中1428篇被接收为会议论文，36篇为 Oral（口头报告）论文，比例仅为2.5%，体现了Oral论文的高水平。在这些Oral论文中，有一篇来自MIT McGovern大脑研究院、大脑与认知科学研究部James DiCarlo教授团队的作品《Brain-Like Object Recognition with High-Performing Shallow Recurrent ANNs》（浅层循环结构人工神经网络实现类似大脑物体识别），引起了我们的关注。他们以人类大脑工作方式为模板，重新设计人工神经网络结构，以浅层神经网络+循环结构在物体识别任务中取得优秀表现。
这项成果不仅在于物体识别和深度学习本身，而是反映了James DiCarlo教授团队探索、设计工作方式相仿的人工神经网络有助于更好地理解生物大脑原理。今年4月，他们就发表了一篇《Evidence that recurrent circuits are critical to the ventral stream's execution of core object recognition behavior》（证据表明循环结构对核心物体识别行为中处理腹侧神经流的过程有关键影响）于期刊《Nature Neuroscience》上，这展示了人工神经网络对神经科学研究的帮助效果。
以下是两篇论文内容简介：
Brain-Like Object Recognition with High-Performing Shallow Recurrent ANNs - NeurIPS 2019
用高表现的浅层循环结构人工神经网络实现类似大脑的物体识别
论文地址：https://papers.nips.cc/paper/9441-brain-like-object-recognition-with-high-performing-shallow-recurrent-anns.pdf
本文介绍了一种名为CORnet-S的人工智能模型，它具有直接对应于生物视觉系统四个主要区域并包含循环信号连接的特点。这款模型通过新创造的心理学评估指标Brain-Score来衡量其功能保真度，并且在ImageNet图像分类任务中的性能优于其他同等规模的人工智能模型。此外，该模型中的“IT”模块产生与猴子颞下皮层中“IT”区相同时间变化模式的事实也支持该模型有效地模拟生物视觉系统。
Evidence that recurrent circuits are critical to the ventral stream's execution of core object recognition behavior - Nature Neuroscience
证据表明循环结构对核心物体识别行为中处理腹侧神経流の过程有关键影響
论文地址：https://www.nature.com/articles/s41593-019-0392-5
这项研究发现，在灵长类动物视觉系统中存在密集连续腹侧通路，最终汇聚至颞下皮层构成其核心对象辨认行为。虽然深度卷积化的人工智能（CNN）目前是最佳建模工具，但它们缺乏带有回路信号通道的一般性质。这导致一个问题：如果动物的大脑追踪回路信号对于它们行为如此重要，那么灵长类视觉辨认应该能够超越只有前馈 CNN 网络提供服务的情况下的挑战图像辨认能力。
我们将继续关注此领域内更多进展，为读者提供最新信息。如果你想了解更多关于这个话题或相关技术发展，请随时关注我们的更新！
