Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

認知神經科學x人工智慧-黃從仁

2017台灣人工智慧年會

  • Be the first to comment

認知神經科學x人工智慧-黃從仁

  1. 1. 認知神經科學x人工智慧 黃從仁 模型建構與資訊學實驗室 臺灣大學心理學系
  2. 2. © Shane Turnbull 人工智慧è認知(神經)科學 認知(神經)科學è⼈人⼯工智慧
  3. 3. 幾個息息相關的領域 雖然目標和研究風格迥異 心智 大腦認知神經科學 電腦 類 神 經 網 路 計 算 神 經 科 學 認 知 科 學 人 工 智 慧
  4. 4. AIè認知科學 把心智歷程類比成電腦的計算歷程 中央處理器 隨機存取記憶體 硬碟 序列/平行計算 執行控制系統 短期/工作記憶 長期記憶 序列/平行計算
  5. 5. 幫助了解哪個腦區儲存/處理哪些資訊 機器學習è認知神經科學 (1/2)
  6. 6. Hung et al., 2005, Science 發現能辨識物體的神經元不在乎物體的位置與大小 機器學習è認知神經科學 (2/2)
  7. 7. Horikawa et al., 2013, Science 當代讀心術 (1/2) 從腦訊號知道你在看/想/夢什麼
  8. 8. https://youtu.be/W6T9tD7rQEA 了解腦訊號的本質幫助設計腦機介面/神經義肢 當代讀心術 (2/2)
  9. 9. 人類心智 vs. 人工智慧 兩個領域可以共演化 更了解人類心智運作 更好的人工智慧/機器人
  10. 10. © Shane Turnbull 人工智慧è認知(神經)科學 認知(神經)科學è⼈人⼯工智慧
  11. 11. 如果您很深度地學習深度學習 通常會有以下很有深度的問題: 如何設計深度學習網路? 如何了解深度學習網路? 我很有深度的回覆是: 從認知(神經)科學找答案!
  12. 12. 設計CNN (1/2) CNN在許多層面上仿製人類物體辨識系統
  13. 13. Recognition Tolerance è Data Augmentation Neural Normalization è Batch Normalization Synaptic Pruning è Weight Decay Sparse Coding è Dropout 設計CNN (2/2) CNN在許多調教技巧也是模仿神經系統
  14. 14. CNN只模仿了“是什麼” 還有“在哪裏”的處理系統
  15. 15. What-Where系統互通訊息 但Where優先於What的處理 https://youtu.be/IjMVsTFVX10
  16. 16. 只模仿What的不足 無法分解問題來各個擊破
  17. 17. 需要注意力來決定處理哪裡 Ba et al., 2015, ICLR 否則feature space會太大,要學的mappings太多
  18. 18. 注意力有各種形式 (1/2) Itti & Koch, 2001, NRN 如注意外在的What/Where/When與內在的Which/How
  19. 19. 所有被注意的對象都會有更強的神經反應 注意力有各種形式 (2/2) Reynolds & Heeger, 2009, Neuron
  20. 20. 數學上無解: x=紅 è y=紅 (叫意) x=紅 è y=綠 (叫色) 數學上有解: x=(紅,叫意)è y=紅 x=(紅,叫色)è y=綠 相同/類似的知覺不一定產生一樣的動作 從知覺到動作 知覺 動作學習/記憶
  21. 21. Frankland & Bontempi, 2005; Diekelmann & Born, 2010 學習速度互補的學習系統 主要是解決:系統穩定性vs.學習彈性的兩難
  22. 22. Deep Q Network 學習上的困難: X(t)~X(t+1) 但 Y(t)≠Y(t+1) deeplearning4j.org; Mnih et al., 2015, Nature 也讓快學的完美記憶教慢學的Q-learning
  23. 23. 如果您很深度地學習深度學習 通常會有以下很有深度的問題: 如何設計深度學習網路? 如何了解深度學習網路? 我很有深度的回覆是: 從認知(神經)科學找答案!
  24. 24. 神經解剖: 腦結構對行為的影響 腦傷或腦切除的研究可幫助了解一個腦區的重要性 Zeiler & Fergus, 2014
  25. 25. 神經電生理: 神經元的敏感度 (1/2) 神經電生理可幫助理解到底神經元在處理什麼 Karpathy et al., 2016, ICLR
  26. 26. Spike-Triggered Average使用隨機的刺激樣本 https://en.wikipedia.org/wiki/Spike-triggered_average 神經電生理: 神經元的敏感度 (2/2)
  27. 27. 認知科學中行為研究法的啟發 把 Machine Learner 當人來研究 觀察法 推論相關 產生假說 效率較高 實驗法 推論因果 驗證假說 效率較低 知覺 動作黑盒子
  28. 28. 觀察法的範例 (1/2) VGG-Face如何判斷誰是同志? Wang & Kosinski, 2017
  29. 29. Wang & Kosinski, 2017 觀察法的範例 (2/2) 可把同志與非同志臉先平均來觀察臉部特徵差異
  30. 30. Wang & Kosinski, 2017 觀察法è實驗法的範例 或把所有臉的局部區域遮蔽看預測能力的改變
  31. 31. 實驗法的範例: 分類 可隨時根據假說重新分類/排列樣本重做實驗 假說:男同志鼻子較長? 長鼻男 同志?VGG-Face 短鼻男 非同志?VGG-Face 檢驗假說:用卡方檢定兩群臉的預測次數是否有差異
  32. 32. 實驗法的範例: 迴歸 為何人/機器可預測一張臉有多受人喜歡? 對人類的Y做假說檢驗是在研究人如何判斷 小X 小Y?VGG-Face 大X 大Y?VGG-Face 對機器的Y做假說檢驗是在研究機器如何判斷 … …
  33. 33. SCUT-FBP顏值資料庫 (1/2) 500位亞洲女性臉孔的評分(1-5) Xie et al., 2015
  34. 34. 改用CNN可達r=0.82±0.03的預測準度 Xie et al., 2015 SCUT-FBP顏值資料庫 (2/2)
  35. 35. Sanity Check: 已經知道是對的該對 r=0.33 Rhodes et al., 1998, PBR 假說1: 臉愈對稱愈討喜
  36. 36. 假說1的檢驗 實際值與預測值的相關與文獻值接近 r=0.31 r=0.35 0.000 1.000 2.000 3.000 4.000 5.000 0 0.2 0.4 0.6 0.8 1 顏值 左右對稱性 實際值 預測值
  37. 37. 但有多「白」不好定義 假說2: 一白遮三醜
  38. 38. r=0.38 r=0.57 0.000 1.000 2.000 3.000 4.000 5.000 0 0.2 0.4 0.6 0.8 1 顏值 亮度 實際值 預測值 假說2的檢驗 先看亮度如何影響顏值的判斷
  39. 39. r=0.39 r=0.60 0.000 1.000 2.000 3.000 4.000 5.000 0 0.2 0.4 0.6 0.8 1 顏值 顏色飽和度 實際值 預測值 假說2的檢驗 再看飽和度如何影響顏值的判斷
  40. 40. © Shane Turnbull 人工智慧è認知(神經)科學 認知(神經)科學è⼈人⼯工智慧
  41. 41. 認知神經科學x人工智慧 黃從仁 模型建構與資訊學實驗室 臺灣大學心理學系

    Be the first to comment

    Login to see the comments

  • OmniZhang

    Nov. 10, 2017
  • chickenrun

    Nov. 10, 2017
  • yaominls

    Nov. 10, 2017
  • imphoenix831

    Nov. 10, 2017
  • brichung

    Nov. 10, 2017
  • ssuserd6984b

    Nov. 11, 2017
  • ywchen88

    Nov. 11, 2017
  • chihminfan

    Nov. 11, 2017
  • ssuser479c19

    Nov. 12, 2017
  • GregChen3

    Nov. 13, 2017
  • AmiceLin1

    Dec. 13, 2017
  • MadeleineLee

    Jan. 29, 2018
  • songhonghong1

    Jul. 12, 2018
  • AiLinChen5

    Nov. 29, 2018
  • ssuser2d4979

    Feb. 15, 2019
  • xiaohuang545

    Jul. 23, 2019

2017台灣人工智慧年會

Views

Total views

3,195

On Slideshare

0

From embeds

0

Number of embeds

504

Actions

Downloads

177

Shares

0

Comments

0

Likes

16

×