使用认知心理学解释深度神经网络

五十年后，当我们面对关于可以做一次性学习的深度神经网络的相同问题时。去考虑匹配网络，这是 DeepMind 研发的一种神经网络。这一模型使用了有关注意力和记忆力（attention and memory）研究的最新成果，可以在仅使用一种类别中的单一示例的情况下，把 ImageNet 图像进行分类，这种方法的性能表现绝对是一流的。然而，我们并不知道为了把这些图片进行分类网络都做了哪些假设。

为了使这一问题更加透明，我们借鉴了发展心理学家（developmental psychologists）（1）的工作，他已经发现了关于儿童通过利用归纳偏移来消除很多不正确推断，从而找到正确推断的证据。这些偏好包括：

·         全物体偏好，儿童通过参考完整物体（而非某部位）设想某个词汇（消除 Quine 对未观察到的兔子部分的忧虑）。

·         分类学偏好，儿童通过参考基础类别分类来设想某个词汇（缓解 Quine 把所有的动物都选择为的兔子的恐惧）

·         形状偏好，儿童基于物体形状设想一个词汇的含义，而非颜色或纹理(解除 Quine 把所有的白物体都认定为「兔子」的焦虑）。

我们选择测量神经网络的形状偏好，因为在人类偏好上有大量的研究工作。

认知心理学刺激物样本，我们用它来测量深度网络中的形状偏好。这些图像由印第安纳大学认知发展实验室的 Linda Smith 提供。