按年被提到
20172017 · 4 次2026
机器学习与深度学习›神经科学启发的 AI·arXiv:1703.05463 · cs.CV

Using Human Brain Activity to Guide Machine Learning

用人脑活动指导机器学习
Ruth Fong, Walter Scheirer, David Cox · 2017

把 fMRI 脑活动数据融入训练,让物体识别更接近人脑

开始阅读 ↗PDFalphaXiv 讨论
被推荐 · 4 人首次 2017-03-20 · 最近 2017-05-21
4不同的人
3活跃月份
4讨论串
101被引(OpenAlex)

提出“神经加权”机器学习新范式:用受试者观看图像时的 fMRI 脑活动数据,在训练物体识别算法时调整训练过程,使其更符合人脑。训练完成后,分类器无需任何额外神经数据即可分类;该方法在传统视觉特征上带来明显提升,对已经很强的 CNN 特征也有显著改进。

HN 为什么提它

有评论者称它比同帖其他内容更值得 HN 读者关注,推荐其用脑数据引导机器学习的新思路。

方法难度 3 / 5约 25 分钟经得起时间
读之前最好知道
1fMRI 与神经影像基础
2物体识别与 CNN 特征
3监督学习与样本加权
4迁移学习

学习路径

读这篇之前,按顺序读书架上的 5 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出

这条路径帮你理解 ImageNet 物体识别基准、卷积网络学到的特征,以及它们与人类视觉的差异(对抗样本),再读目标论文用 fMRI 脑活动来引导模型的做法。

  1. 1
    ImageNet Large Scale Visual Recognition ChallengeImageNet 大规模视觉识别挑战 · 2014

    目标论文做的是物体识别,这篇介绍该领域的标准基准与人机对比。

    读ImageNet 数据集与 ILSVRC 任务的设定,以及人类与模型表现的比较。

  2. 2
    Visualizing and Understanding Convolutional Networks卷积网络的可视化与理解 · 2013

    了解卷积网络各层学到的视觉特征,便于与脑部视觉区域的响应对照。

    读反卷积式可视化展示的逐层特征层级:从边缘到物体部件。

  3. 3
    Intriguing properties of neural networks神经网络的有趣性质 · 2013

    说明深度网络的识别方式与人类感知不同,是目标论文想引入脑数据的动机之一。

    读对抗扰动现象:不可察觉的微小扰动就能让网络误分类。

  4. 4
    Deep Neural Networks are Easily Fooled: High Confidence Predictions for Unrecognizable Images深度神经网络很容易被愚弄:对无法辨认的图像给出高置信度预测 · 2014

    进一步展示网络可对人眼无法辨认的图像高置信度分类,凸显模型与人脑的差距。

    读噪声图被高置信度分类的现象及其含义,不必细看图像生成的进化算法细节。

  5. 5
    Building Machines That Learn and Think Like People构建像人一样学习和思考的机器 · 2016

    从认知科学角度论证应让 AI 更接近人类,与用脑数据指导机器学习的方向一致。

    读类人学习的核心主张:因果模型、直觉理论、组合性;通读前半部分的论点即可。

  6. 6
    Using Human Brain Activity to Guide Machine Learning用人脑活动指导机器学习 · 2017 · 就是这篇

    目标论文:把受试者看图时的 fMRI 数据融入训练,提出神经加权的机器学习。

    读如何用脑活动数据给训练样本加权、与普通训练的对比,以及物体识别结果的提升。

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
推荐backpropaganda · 2017-04

“A much better paper worthy of attention from the HN crowd is this:”

推荐这篇更值得 HN 读者关注的论文,用脑活动指导 ML
Factorization tricks for LSTM networks原评论 ↗
被提交为 story · 3 次