Trænede neurale net fungerer meget som mennesker på klassiske psykologiske tests

Ms. Tech

I den tidlige del af det 20. århundrede begyndte en gruppe tyske eksperimentelle psykologer at stille spørgsmålstegn ved, hvordan hjernen får meningsfulde opfattelser af en verden, der ellers er kaotisk og uforudsigelig. For at besvare dette spørgsmål udviklede de forestillingen om gestalteffekten - ideen om, at når det kommer til perception, er helheden noget andet end delene.

På samme måde har psykologer opdaget, at den menneskelige hjerne er bemærkelsesværdig god til at opfatte komplette billeder på grundlag af fragmentarisk information. Et godt eksempel er figuren vist her. Hjernen opfatter todimensionelle former som en trekant og en firkant, og endda en tredimensionel kugle. Men ingen af ​​disse former er eksplicit tegnet. I stedet udfylder hjernen hullerne.

En naturlig forlængelse af dette arbejde er at spørge, om gestalteffekter forekommer i neurale netværk. Disse netværk er inspireret af den menneskelige hjerne. Forskere, der studerer maskinsyn, siger faktisk, at de dybe neurale netværk, de har udviklet, viser sig at være bemærkelsesværdigt lig det visuelle system i primats hjerner og dele af den menneskelige cortex.

Det fører til et interessant spørgsmål: kan neurale netværk opfatte et helt objekt ved blot at se på dets dele, som mennesker gør?

I dag får vi et svar takket være arbejdet fra Been Kim og kolleger hos Google Brain, virksomhedens AI-forskningsafdeling i Mountain View, Californien. Forskerne har testet forskellige neurale netværk ved at bruge de samme gestalteksperimenter designet til mennesker. Og de siger, at de har gode beviser for, at maskiner faktisk kan opfatte hele objekter ved hjælp af observationer af delene.

Kim og cos eksperiment er baseret på trekantsillusionen vist på figuren. De opretter først tre databaser med billeder til træning af deres neurale netværk. Den første består af almindelige komplette trekanter vist i deres helhed.

Den næste database viser kun hjørnerne af trekanter med linjer, der skal interpoleres for at opfatte den komplette form. Dette er det illusoriske datasæt. Når mennesker ser disse typer billeder, har de en tendens til at lukke hullerne og ender med at opfatte trekanten som en helhed. Vi sigter efter at afgøre, om neurale netværk udviser lignende lukkeeffekter, siger Kim og co.

Den endelige database består af lignende hjørner, men tilfældigt orienteret, så linjerne ikke kan interpoleres til trekanter. Dette er det ikke-illusoriske datasæt.

Ved at variere størrelsen og orienteringen af ​​disse former skabte holdet næsten 1.000 forskellige billeder for at træne deres maskiner.

Deres tilgang er at træne et neuralt netværk til at genkende almindelige komplette trekanter og derefter teste, om det klassificerer billederne i det illusoriske datasæt som komplette trekanter (mens man ignorerer billederne i det ikke-illusoriske datasæt). De tester med andre ord, om maskinen kan udfylde hullerne i billederne for at danne et komplet billede.

De sammenligner også et trænet netværks adfærd med adfærden hos et utrænet netværk eller et netværk trænet på tilfældige data.

Resultaterne giver interessant læsning. Det viser sig, at opførselen af ​​trænede neurale netværk viser bemærkelsesværdige ligheder med menneskelige gestalteffekter. Vores resultater tyder på, at neurale netværk trænet med naturlige billeder udviser lukning, i modsætning til netværk med randomiserede vægte eller netværk, der er blevet trænet på visuelt tilfældige data, siger Kim og co.

Det er et fascinerende resultat. Og ikke kun fordi det viser, hvordan neurale netværk efterligner hjernen for at give mening ud af verden.

Det større billede er, at holdets tilgang åbner døren til en helt ny måde at studere neurale netværk ved hjælp af eksperimentel psykologi. Vi mener, at udforskning af andre gestaltlove - og mere generelt andre psykofysiske fænomener - i sammenhæng med neurale netværk er et lovende område for fremtidig forskning, siger Kim og co.

Det ligner et første skridt ind i et nyt felt inden for maskinpsykologi. Som Google-teamet udtrykte det: At forstå, hvor mennesker og neurale netværk adskiller sig, vil være nyttigt for forskning i fortolkning ved at oplyse de grundlæggende forskelle mellem de to interessante arter. De tyske eksperimentelle psykologer fra det tidlige 20. århundrede ville helt sikkert have været fascineret.

Ref: arxiv.org/abs/1903.01069 : Viser neurale netværk gestaltfænomener? En udforskning af loven om lukning

skjule