Cognitive Neural Architecture Search Reveals Hierarchical Entailment

要約

最近の研究は、脳が以前に考えられていたよりも浅いことを示唆しており、腹側の視覚経路の伝統的に想定されている階層構造に挑戦しています。
ここでは、明確な表現階層を持つモデルにおける進化的ニューラルアーキテクチャの検索結果を介して、脳整列のための畳み込みネットワークアーキテクチャを最適化することを実証します。
ランダムな重みを持っているにもかかわらず、特定されたモデルは、回帰分析と表現類似性分析の両方で測定されるように、前処理された分類モデルのスコアを上回る脳整列スコアを達成します。
さらに、従来の監視されたトレーニングを通じて、後期腹部領域との整合のために最適化されたアーキテクチャは、競争力のある分類モデルになります。
これらの発見は、階層構造が霊長類の視覚処理の基本的なメカニズムであることを示唆しています。
最後に、この研究は、手動で設計された畳み込みネットワークへの分野の依存を減らすことができる計算認知神経科学研究のフレームワークとしての神経アーキテクチャ検索の可能性を示しています。

要約(オリジナル)

Recent research has suggested that the brain is more shallow than previously thought, challenging the traditionally assumed hierarchical structure of the ventral visual pathway. Here, we demonstrate that optimizing convolutional network architectures for brain-alignment via evolutionary neural architecture search results in models with clear representational hierarchies. Despite having random weights, the identified models achieve brain-alignment scores surpassing even those of pretrained classification models – as measured by both regression and representational similarity analysis. Furthermore, through traditional supervised training, architectures optimized for alignment with late ventral regions become competitive classification models. These findings suggest that hierarchical structure is a fundamental mechanism of primate visual processing. Finally, this work demonstrates the potential of neural architecture search as a framework for computational cognitive neuroscience research that could reduce the field’s reliance on manually designed convolutional networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google