Perceptual independence increases with depth in a generative adversarial network
Notice bibliographique
Résumé
According to the efficient coding hypothesis (Barlow, 1959), neural coding serves to reduce statistical dependencies present in visual images, eliminating redundancies and thus yielding more compact perceptual representations. It has been shown (Kersten, 1987) that humans can invert these representations to generate accurate perceptual predictions of information missing in the image. Like the brain, Generative adversarial networks (GANs) learn a hierarchical representation that can be inverted to make predictions in the image domain. Here, we explore to what degree GANs can serve as a model for the progression in statistical independence seen in the brain. We do this by assessing the degree to which observers can estimate missing information at each layer of a Wasserstein GAN (wGAN). If the GAN’s encoding of the image parallels our neural encoding, human ability to predict unit activations should decline from shallow layers near the image domain to deeper layers within the wGAN. Method: A wGAN was trained on CIFAR10. Images were generated by randomly sampling values in the latent layer, and then propagating activations through the network to the image. In each trial, a target unit in one of five layers of the wGAN was randomly selected for analysis. Observer estimates of target activations were identified with a nested adjustment task (Bethge, 2007) involving a telescoping sequence of image triplets. Each triplet was generated using three different values for the target unit, and observers had to select the image that appeared most natural. Results: We observed a systematic decrease in Pearson correlation between true and estimated values of target unit activations as we advanced from shallow layers near the image domain to deep layers, reflecting an increase in perceptual independence as a function of depth. Thus wGANs may form a reasonable model for the progressive elimination of perceptual redundancies in human visual coding.
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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».