使用認知心理學解釋深度神經網路

五十年後，當我們面對關於可以做一次性學習的深度神經網路的相同問題時。去考慮匹配網路，這是 DeepMind 研發的一種神經網路。這一模型使用了有關注意力和記憶力（attention and memory）研究的最新成果，可以在僅使用一種類別中的單一示例的情況下，把 ImageNet 圖像進行分類，這種方法的性能表現絕對是一流的。然而，我們並不知道為了把這些圖片進行分類網路都做了哪些假設。

為了使這一問題更加透明，我們借鑒了發展心理學家（developmental psychologists）（1）的工作，他已經發現了關於兒童通過利用歸納偏移來消除很多不正確推斷，從而找到正確推斷的證據。這些偏好包括：

·         全物體偏好，兒童通過參考完整物體（而非某部位）設想某個詞彙（消除 Quine 對未觀察到的兔子部分的憂慮）。

·         分類學偏好，兒童通過參考基礎類別分類來設想某個詞彙（緩解 Quine 把所有的動物都選擇為的兔子的恐懼）

·         形狀偏好，兒童基於物體形狀設想一個詞彙的含義，而非顏色或紋理(解除 Quine 把所有的白物體都認定為「兔子」的焦慮）。

我們選擇測量神經網路的形狀偏好，因為在人類偏好上有大量的研究工作。

認知心理學刺激物樣本，我們用它來測量深度網路中的形狀偏好。這些圖像由印第安納大學認知發展實驗室的 Linda Smith 提供。