Comparing artificial neural network models with varied objectives to probe the role of sensory representation in primate visual memorability
Notice bibliographique
Résumé
Imagine a typical experience of scrolling through numerous photos on social media. While most images blend into obscurity, certain ones, like a playful kitten tangled in yarn, linger in our memories. This selective retention, known as image memorability, raises intriguing questions about its neural basis, particularly how the sensory representations in the cortex facilitate this behavior. In this study, we investigate this process, leveraging recent strides in computer vision through artificial neural network (ANN) models. These models, designed to mimic the ventral visual pathway in primates, offer a vast hypotheses space for the brain function that are critical for determining the memorability of an image. We compare two distinct types of ANNs: models geared toward basic object categorization (e.g., ResNet-50, AlexNet, GoogLeNet) and those tailored to predict image memorability (e.g., MemNet, ViTMem) on a set of 200 images (20 images from 10 distinct object categories) from the MS-COCO dataset. Consistent with previous results, we observed that both these model classes can predict which images humans find most memorable. However, our results show that they produce significantly different internal representations as assessed by representational similarity analysis (comparing representations across model classes in architecture-specific and non-specific manner). In addition, here, we used neural data recorded across the macaque inferior temporal (IT) in 6 monkeys to address two primary questions. 1) Can both model classes accurately predict variance in the neural data? 2) Do they predict distinct variances in the responses of the individual neurons? Surprisingly, our results show that memorability models (MemNet) predict significantly more variance in the neural data than object categorization models with matched architecture (AlexNet) – emphasizing a) the need to further probe these model classes as encoding models of the ventral stream, b) provide a new normative framework to think about the evolution of sensory representations.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».