Recommended
More Related Content
Viewers also liked
Similar to 認知神經科學x人工智慧－黃從仁
Similar to 認知神經科學x人工智慧－黃從仁 (7)
認知神經科學x人工智慧－黃從仁
- 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. 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
- 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
- 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. 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. 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. 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. 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. 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
- 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. 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
- 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. 觀察法的範例 (1/2) VGG-Face如何判斷誰是同志? Wang & Kosinski, 2017
- 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. 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. 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. 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. 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. 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. 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. 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
- 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. 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