Attending to a feature results in neighboring within-feature suppression
Notice bibliographique
Résumé
According to the Selective-Tuning model (Tsotsos, 1990), convergence of neural input and selection of a attended feature will result in surround suppression within that feature domain: the nearby feature values in the same feature dimension will be inhibited, but not the feature values farther away in the dimension. We present three experiments that support this hypothesis. The first experiment used a feature-cue paradigm. The subjects' attention was first attracted to an orientation cue, and then subjects made a perceptual judgment about a stimulus with same or different orientation as the cue. We found that orientation attention actively suppressed the nearby orientations (5 ∼ 10 degree from the cue), but did not influence far away orientations (20 ∼ 90 degree from the cue), replicating the results of Tombu & Tsotsos (2008). In the second experiment we used the same paradigm but added a distractor to the cue, and the stimulus sequence became cue -[[gt]] distractor -[[gt]] probe. This time the subjects must actively ignore the distractor to focus their attention on the cue. By increasing the difficulty of the subjects pay attention to the cue, we found an even stronger Mexican-hat profile of attentional suppression. In the third experiment, we extended our findings from orientation to color. Again, we acquired a Mexican-hat profile of the feature attention in color dimension. These results further extend the evidence supporting the Selective Tuning explanation of spatial and feature attention and suggest a more general mechanism of signal-to-noise enhancement applicable to any feature dimension.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».