Loading...
机构名称:
¥ 1.0

理解生物和人工网络的运作仍然是一项艰巨而重要的挑战。为了确定一般原则,研究人员越来越有兴趣调查大量经过类似任务训练或生物学上适应类似任务的网络。现在需要一套标准化的分析工具来确定网络级协变量(例如架构、解剖大脑区域和模型生物)如何影响神经表征(隐藏层激活)。在这​​里,我们通过定义量化表征差异的广泛度量空间系列为这些分析提供了严格的基础。使用此框架,我们修改了基于典型相关分析和中心核对齐的现有表征相似性度量以满足三角不等式,制定了一个尊重卷积层中归纳偏差的新度量,并确定了近似欧几里得嵌入,使网络表征能够纳入几乎任何现成的机器学习方法中。我们在生物学(艾伦研究所脑观测站)和深度学习(NAS-Bench-101)的大规模数据集上展示了这些方法。在此过程中,我们确定了可根据解剖特征和模型性能进行解释的神经表征之间的关系。

神经表征的广义形状度量

神经表征的广义形状度量PDF文件第1页

神经表征的广义形状度量PDF文件第2页

神经表征的广义形状度量PDF文件第3页

神经表征的广义形状度量PDF文件第4页

神经表征的广义形状度量PDF文件第5页

相关文件推荐

2020 年
¥1.0
2021 年
¥1.0
2022 年
¥1.0
2020 年
¥1.0
2021 年
¥1.0
2021 年
¥1.0
2020 年
¥7.0
2021 年
¥1.0
2022 年
¥1.0
2024 年
¥1.0