机构名称：
¥ 1.0
根据有效编码假设，当表示具有高维性并且不相关时，神经群体可以最佳地编码信息。然而，这样的编码可能会在泛化和鲁棒性方面有所代价。过去对啮齿动物早期视觉皮层（V1）的实证研究表明，这种权衡确实限制了感觉表征。然而，这些见解是否适用于人类视觉系统的整个层次结构，尤其是高级枕颞皮层（OTC）中的物体表征，仍不清楚。为了获得新的实证清晰度，我们在此开发了一组具有参数变化的 dropout 比例（p）的物体识别模型，这会诱导系统地改变内部响应的维数（同时控制所有其他归纳偏差）。我们发现，增加 dropout 会产生越来越平滑的低维表征空间。在 dropout 约为 70% 时观察到对损伤的最佳鲁棒性，之后准确率和鲁棒性都会下降。与自然场景数据集中枕颞皮质的大规模 7T fMRI 数据进行表征比较表明，这种最佳的 dropout 程度也与最大的突发神经预测性相关。最后，使用新技术对人类 fMRI 反应的特征谱进行去噪估计，我们比较了模型和大脑特征空间之间的特征谱衰减率。我们观察到模型和大脑表征之间的匹配与表征空间中效率和鲁棒性之间的共同平衡有关。这些结果表明，不同的 dropout 可能揭示分层视觉系统中高维编码效率和低维编码鲁棒性之间的最佳平衡点。
操纵 dropout 揭示了一个最佳
主要关键词
相关文件推荐
