論文の概要: An extremely coarse feedback signal is sufficient for learning human-aligned visual representations

• arxiv url: http://arxiv.org/abs/2605.05556v1
• Date: Thu, 07 May 2026 01:02:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.468055
• Title: An extremely coarse feedback signal is sufficient for learning human-aligned visual representations
• Title（参考訳）: 極端に粗いフィードバック信号は人間の視覚表現を学習するのに十分である
• Authors: Yash Mehta, Michael F. Bonner,
• Abstract要約: 学習信号の粗さが人間の視覚との表現的アライメントをどのように形成するかを検討する。 これらの粗い分類タスクに基づいて、畳み込みアーキテクチャとトランスフォーマーアーキテクチャをまたいだ数百のニューラルネットワークをトレーニングします。 訓練されたネットワークは、1000クラスのモデルのニューラルアライメントと一致するか、あるいは超えている表現を、最大8つのワイドカテゴリで学習する。
• 参考スコア（独自算出の注目度）: 2.9506547907696006
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial neural networks trained on visual tasks develop internal representations resembling those of the primate visual system, a discovery that has guided a decade of computational neuroscience. Research on building brain-aligned models has progressively embraced finer-grained supervisory signals, from object classification to contrastive self-supervised objectives that maximize distinctions among individual images, yet the role of supervisory signal granularity on brain alignment remains largely unexamined. Here we systematically investigate how the coarseness of a learning signal shapes representational alignment with human vision. We parametrically vary the level of signal granularity using a data-driven approach that partitions a set of training images into varied numbers of categories (2, 4, 8, 16, ..., 64) via PCA-based splits of pretrained embeddings. We train hundreds of neural networks across convolutional and transformer architectures on these coarse classification tasks and compare their representations to macaque electrophysiology recordings and human fMRI responses. We find that networks trained to distinguish as few as 8 broad categories learn representations that match or exceed the neural alignment of models distinguishing 1,000-classes. Even more strikingly, these coarsely trained networks align more closely with human perceptual similarity judgments than all other models evaluated, including networks trained with fine-grained supervision or self-supervision as well as leading large-scale vision models. These results demonstrate that human-like visual representations emerge from remarkably coarse feedback, reframing what learning signals vision may require and opening a path toward building AI systems that are more aligned with human perception.
• Abstract（参考訳）: 視覚タスクで訓練された人工ニューラルネットワークは、霊長類視覚システムに似た内部表現を開発する。 脳アライメントモデルの構築に関する研究は、オブジェクト分類から、個々の画像の区別を最大化する対照的な自己監督目的に至るまで、よりきめ細かい監督シグナルを徐々に受け入れてきたが、脳アライメントにおける監督信号の粒度の役割は、いまだほとんど検討されていない。 本稿では,学習信号の粗さが人間の視覚との表現的アライメントをどのように形成するかを系統的に検討する。 トレーニング画像の集合を,PCAによる事前学習埋め込みの分割によって,様々なカテゴリ(2, 4, 8, 16, ..., 64)に分割するデータ駆動型手法を用いて,信号の粒度をパラメトリックに変化させる。 これらの粗い分類タスクに基づいて、何百ものニューラルネットワークを畳み込みおよびトランスフォーマーアーキテクチャでトレーニングし、それらの表現をマカク電気生理学的記録や人間のfMRI応答と比較する。 訓練されたネットワークは、1000クラスのモデルのニューラルアライメントと一致するか、あるいは超えている表現を、最大8つのワイドカテゴリで学習する。 さらに驚くべきことに、これらの粗い訓練を受けたネットワークは他のすべてのモデルよりも人間の知覚的類似性判断とより緊密に一致している。 これらの結果は、人間のような視覚表現が、驚くほど粗いフィードバックから現れ、学習信号の視覚が必要とするものを再認識し、人間の知覚とより整合したAIシステムを構築するための道を開くことを示している。

関連論文リスト

• Concept-Guided Interpretability via Neural Chunking [64.6429903327095]
  ニューラルネットワークは、トレーニングデータの規則性を反映した生の集団活動のパターンを示す。 神経集団レベルで繰り返しチャンクを抽出する3つの方法を提案する。 私たちの研究は、認知原則と自然主義的データの構造の両方を活用する、解釈可能性の新しい方向性を指し示しています。
  論文  参考訳（メタデータ） (2025-05-16T13:49:43Z)
• Aligning Machine and Human Visual Representations across Abstraction Levels [31.78285373363057]
  深層ニューラルネットワークは、人間の行動モデルや視覚タスクの神経表現など、幅広いアプリケーションで成功している。 しかしながら、ニューラルネットワークのトレーニングと人間の学習は基本的な方法で異なり、ニューラルネットワークは、人間が基礎となる表現の類似性に関する疑問を提起するのと同じくらい、堅牢に一般化することができないことが多い。 人間の概念的知識は、きめ細かいものから粗いものまで階層的に構成されているが、モデル表現は、これらの抽象レベルをすべて正確に捉えているわけではない。 このミスアライメントに対処するために、まず、人間の判断を模倣する教師モデルを訓練し、次にヒトの協調を伝達する。
  論文  参考訳（メタデータ） (2024-09-10T13:41:08Z)
• Evaluating alignment between humans and neural network representations in image-based learning tasks [5.657101730705275]
  トレーニング済みの860ドルのニューラルネットワークモデルの表現が、人間の学習軌跡にどのようにマッピングされているかテストしました。 トレーニングデータセットのサイズは人間の選択に沿った中核的な決定要因であるのに対し、マルチモーダルデータ(テキストと画像)による対照的なトレーニングは、人間の一般化を予測するために現在公開されているモデルの一般的な特徴であることがわかった。 結論として、事前訓練されたニューラルネットワークは、タスク間で伝達可能な認知の基本的な側面を捉えているように見えるため、認知モデルのための表現を抽出するのに役立つ。
  論文  参考訳（メタデータ） (2023-06-15T08:18:29Z)
• Peripheral Vision Transformer [52.55309200601883]
  我々は生物学的にインスパイアされたアプローチを採用し、視覚認識のためのディープニューラルネットワークの周辺視覚をモデル化する。 本稿では,マルチヘッド自己アテンション層に周辺位置エンコーディングを組み込むことにより,トレーニングデータから視覚領域を様々な周辺領域に分割することをネットワークが学べるようにすることを提案する。 大規模画像Netデータセット上でPerViTと呼ばれる提案したネットワークを評価し,マシン知覚モデルの内部動作を体系的に検討した。
  論文  参考訳（メタデータ） (2022-06-14T12:47:47Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Divergent representations of ethological visual inputs emerge from supervised, unsupervised, and reinforcement learning [20.98896935012773]
  8つの異なる畳み込みニューラルネットワークによって学習された表現を比較する。 強化学習で訓練されたネットワークは,他のネットワークと大きく異なることがわかった。
  論文  参考訳（メタデータ） (2021-12-03T17:18:09Z)
• Understanding the Role of Individual Units in a Deep Neural Network [85.23117441162772]
  本稿では,画像分類と画像生成ネットワーク内の隠れ単位を系統的に同定する分析フレームワークを提案する。 まず、シーン分類に基づいて訓練された畳み込みニューラルネットワーク(CNN)を分析し、多様なオブジェクト概念にマッチするユニットを発見する。 第2に、シーンを生成するために訓練されたGANモデルについて、同様の分析手法を用いて分析する。
  論文  参考訳（メタデータ） (2020-09-10T17:59:10Z)
• Seeing eye-to-eye? A comparison of object recognition performance in humans and deep convolutional neural networks under image manipulation [0.0]
  本研究では,ヒトとフィードフォワードニューラルネットワークの視覚コア物体認識性能の行動比較を目的とした。 精度分析の結果、人間はDCNNを全ての条件で上回るだけでなく、形状や色の変化に対する強い堅牢性も示している。
  論文  参考訳（メタデータ） (2020-07-13T10:26:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。