論文の概要: Meta-learning as a principle for human-like visual representations

• arxiv url: http://arxiv.org/abs/2606.28399v1
• Date: Wed, 24 Jun 2026 09:28:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.54785
• Title: Meta-learning as a principle for human-like visual representations
• Title（参考訳）: 人間の視覚表現の原理としてのメタラーニング
• Abstract要約: 事前訓練されたニューラルネットワークは、前例のない成功を収めた人間の視覚表現をモデル化する。 これらのネットワークは1つの固定目標を最適化する一方、人間の表現はオープンなタスクをサポートする必要がある。 我々は、画像から高レベルな概念にマッピングする数千のセマンティックにリッチなタスクを、人間のデータから監督することなく、シーケンスモデルを訓練する。 事前訓練されたベースエンコーダと比較して、メタ学習された表現は人間の類似性判定、セマンティック・ルール学習、高レベルの視覚野をより正確に予測する。
• 参考スコア（独自算出の注目度）: 22.433335919496717
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The structure of human visual representations underpins our capacity for adaptive behaviour. While pretrained neural networks model human visual representations with unprecedented success, a large discrepancy remains. We propose one reason: these networks optimise a single fixed objective, whereas human representations must support open-ended tasks. We hypothesise this flexibility arises from meta-learning (learning to learn), a pressure shaping representations to acquire new tasks from few observations. To test this, we train a sequence model, without any supervision from human data, across thousands of semantically rich tasks mapping images to high-level concepts. Compared to their pretrained base encoders, meta-learned representations better predict human similarity judgements, semantic rule learning, and high-level visual cortex. Behavioural gains depend on disentangled, high-level task distributions, while brain alignment is driven primarily by the learning-to-learn pressure. Our results suggest the flexibility of human visual representations reflects the functional demand to learn new semantic relationships on the fly.
• Abstract（参考訳）: 人間の視覚的表現の構造は、適応的な行動の能力を支える。 事前訓練されたニューラルネットワークは、前例のない成功を収めた人間の視覚表現をモデル化するが、大きな違いは残る。 これらのネットワークは1つの固定目標を最適化する一方、人間の表現はオープンなタスクをサポートする必要がある。 我々は、この柔軟性はメタラーニング(学習する)から生じると仮定する。 これをテストするために、イメージを高レベルな概念にマッピングする数千のセマンティックにリッチなタスクに対して、人間のデータからの監督なしにシーケンスモデルをトレーニングする。 事前訓練されたベースエンコーダと比較して、メタ学習された表現は人間の類似性判定、セマンティック・ルール学習、高レベルの視覚野をより正確に予測する。 行動の利得は、主に学習から学習への圧力によって脳のアライメントが駆動される一方、非絡み合いの高いタスク分布に依存する。 その結果,人間の視覚表現の柔軟性は,ハエの新たな意味的関係を学習する機能的要求を反映していることが示唆された。

関連論文リスト

• An extremely coarse feedback signal is sufficient for learning human-aligned visual representations [2.9506547907696006]
  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。
  論文  参考訳（メタデータ） (2026-05-07T01:02:21Z)
• Human-level 3D shape perception emerges from multi-view learning [63.048728487674815]
  任意のオブジェクトに対する人間の3次元形状推論を予測するためのモデリングフレームワークを開発する。 我々は、自然主義的な知覚データよりも視覚空間的目的を用いて訓練された新しいニューラルネットワークのクラスでこれを達成した。 人間のレベル3D知覚は、自然主義的な視覚空間データよりもシンプルでスケーラブルな学習目標から生まれる可能性がある。
  論文  参考訳（メタデータ） (2026-02-19T18:56:05Z)
• Revealing emergent human-like conceptual representations from language prediction [90.73285317321312]
  大規模言語モデル(LLMs)は、人間らしい振る舞いを示すテキストの次のトーケン予測によってのみ訓練される。 これらのモデルでは、概念は人間のものと似ていますか? LLMは、他の概念に関する文脈的手がかりに関連して、言語記述から柔軟に概念を導出できることがわかった。
  論文  参考訳（メタデータ） (2025-01-21T23:54:17Z)
• 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)
• What Makes Pre-Trained Visual Representations Successful for Robust Manipulation? [57.92924256181857]
  照明やシーンテクスチャの微妙な変化の下では,操作や制御作業のために設計された視覚表現が必ずしも一般化されないことがわかった。 創発的セグメンテーション能力は,ViTモデルにおける分布外一般化の強い予測因子であることがわかった。
  論文  参考訳（メタデータ） (2023-11-03T18:09:08Z)
• Visual Grounding Helps Learn Word Meanings in Low-Data Regimes [47.7950860342515]
  現代のニューラル言語モデル(LM)は、人間の文の生成と理解をモデル化するための強力なツールである。 しかし、これらの結果を得るためには、LMは明らかに非人間的な方法で訓練されなければならない。 より自然主義的に訓練されたモデルは、より人間らしい言語学習を示すのか? 本稿では,言語習得における重要なサブタスクである単語学習の文脈において,この問題を考察する。
  論文  参考訳（メタデータ） (2023-10-20T03:33:36Z)
• Human-oriented Representation Learning for Robotic Manipulation [64.59499047836637]
  人間は本質的に、操作作業において環境を効率的に探索し、相互作用することを可能にする、一般化可能な視覚表現を持っている。 我々は、このアイデアを、事前訓練された視覚エンコーダの上に、人間指向のマルチタスク微調整のレンズを通してフォーマル化する。 我々のタスクフュージョンデコーダは、下流操作ポリシー学習のための最先端の3つのビジュアルエンコーダの表現を一貫して改善する。
  論文  参考訳（メタデータ） (2023-10-04T17:59:38Z)
• Seeing in Words: Learning to Classify through Language Bottlenecks [59.97827889540685]
  人間は簡潔で直感的な説明を使って予測を説明することができる。 特徴表現がテキストである視覚モデルでは,画像ネットイメージを効果的に分類できることを示す。
  論文  参考訳（メタデータ） (2023-06-29T00:24:42Z)
• 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)
• Localization vs. Semantics: Visual Representations in Unimodal and Multimodal Models [57.08925810659545]
  既存の視覚・言語モデルと視覚のみのモデルにおける視覚表現の比較分析を行う。 我々の経験的観察は、視覚・言語モデルがラベル予測タスクに優れていることを示唆している。 我々の研究は、視覚学習における言語の役割に光を当て、様々な事前学習モデルの実証的なガイドとして機能することを願っている。
  論文  参考訳（メタデータ） (2022-12-01T05:00:18Z)
• Human alignment of neural network representations [28.32452075196472]
  ニューラルネットワークで学習した表現と行動応答から推定される人間の心的表現のアライメントに影響を与える要因について検討する。 モデルスケールとアーキテクチャは基本的に人間の行動応答に影響を与えないことがわかった。 食物や動物などの人間の概念はニューラルネットワークによってよく表現されているのに対し、ロイヤルやスポーツ関連の物体はそうではない。
  論文  参考訳（メタデータ） (2022-11-02T15:23:16Z)
• Human-Understandable Decision Making for Visual Recognition [30.30163407674527]
  モデル学習プロセスに人間の知覚の優先順位を組み込むことにより,深層ニューラルネットワークを訓練する新たなフレームワークを提案する。 提案モデルの有効性を2つの古典的視覚認識タスクで評価する。
  論文  参考訳（メタデータ） (2021-03-05T02:07:33Z)
• What Can You Learn from Your Muscles? Learning Visual Representation from Human Interactions [50.435861435121915]
  視覚のみの表現よりも優れた表現を学べるかどうかを調べるために,人間のインタラクションとアテンション・キューを用いている。 実験の結果,我々の「音楽監督型」表現は,視覚のみの最先端手法であるMoCoよりも優れていた。
  論文  参考訳（メタデータ） (2020-10-16T17:46:53Z)

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。