Notice bibliographique
Résumé
We present a proposal to answer: how could an agent learn to better attend to the relevant and ignore the irrelevant in the context of performing visual tasks? To answer this, attention is defined as in Tsotsos (2011): Attention is the set of mechanisms that tune and control the search processes inherent in perception and cognition, dynamically adapting a general purpose processor to the input and task of the moment. To improve one's attention means that tuning and search control become more effective, e.g., task performance shows improvements in speed and accuracy. The link between this definition of attention and such improvements lies in the computational foundations underlying the Selective Tuning (ST) attentional theory, namely computational complexity (Tsotsos et al. 1995; Tsotsos 1990, 2011). Suppose one compares two algorithms, both effective for the same problem. The one with lower time complexity will lead to a faster solution. Lower time requirements can be achieved by reducing the number of candidates to consider via task-driven suppression or grouping. Given the same amount of time, two algorithms can be compared in terms of their accuracy. The more accurate algorithm will have improved decision-making mechanisms, perhaps by reducing the impacts of noise, ambiguity, or number of potential choices of action, or by eliminating interfering computations. For example, stronger suppression of distractors may reduce the impact of noise. The set of attentive mechanisms (selection, suppression and restriction and their 15 sub-classes) within ST are each examined and their variations with respect to performance (time and accuracy) are built into an overall optimization criterion that drives any changes due to experience. A Hebbian learning strategy is used to combine the minimization of time complexity while maximizing accuracy in a neurobiologically plausible manner. Finally, we point to experimental work that might verify the proposal. Meeting abstract presented at VSS 2014
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 | 0,004 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,005 | 0,012 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,004 |
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 ».