[PNAS | 论文简读] 神经表征几何是小样本概念学习的基础

简读分享 | 庞超 编辑 | 王宇哲

论文题目

Neural representational geometry underlies few-shot concept learning

论文摘要

了解人类如何从一个或几个感官经验中学习新概念的神经基础是神经学科一个基本问题。作者提出了一个简单的、生物学上合理、数学上可操作、计算上强大的神经机制，用于对自然概念的小样本学习。作者认为，可以从少数例子中学习的概念是由高阶感觉区的神经放电率空间中严格限定的流形所定义的。作者进一步假设，一个单一的可塑性下游读出神经元通过一个简单的可塑性规则学会根据少数例子来辨别新概念。作者展示了此想法的计算能力，表明它可以使用猕猴下颞叶皮层表征和这些表征的深度神经网络模型在自然视觉概念上达到很高的学习精度，甚至可以学习仅通过语言描述符指定的新视觉概念。此外，作者开发了一个关于小样本学习的数学理论，通过描述神经表征的几个基本和可测量的几何特性，将神经生理学与行为结果的预测联系起来，这些特性可以准确地预测所有数字模拟的自然概念的小样本学习表现。这一理论显示，高维流形增强了从少数例子中学习新概念的能力。

论文链接

https://www.pnas.org/doi/10.1073/pnas.2200800119