深度网络与大脑区域的 RDM 度量

本文使用的 RDM 方法用于度量神经网络不同层次与大脑不同脑区之间的相似性。对简单图像的分析表明，在图像出现时的脑响应与神经网络最为相似，之后随时间递减。但对复杂图像的分析表明，它随时间变化呈现先低后高，单调上升的趋势。这是与简单图像相反的。

---

• 深度网络与大脑区域的 RDM 度量

  • 问题的提出
  • RDM关系的绘制

    • 较简单的分割图像
    • 较复杂的自然图像

问题的提出

深度学习是近年来人工智能领域的热点之一。深度网络是指具有多个隐层的人工神经网络，可以用于图像识别、语音处理、自然语言处理等应用领域。人类大脑也是一个极其复杂的深度神经网络系统，它的神经元之间的连接方式和权重分布与深度网络非常相似。

为了研究深度网络与大脑的相似性，科学家们提出了RDM（Representational Dissimilarity Matrix）的概念。RDM是一种用于度量神经网络中不同层次之间的相似性的矩阵表示方法。它反映了每一层神经元之间的相似性和差异性。通过比较深度网络和大脑的RDM，可以研究它们之间的相似性和差异性，进一步理解大脑的神经网络系统。

近年来，越来越多的研究表明，深度网络和大脑之间存在着很多的相似性。例如，深度网络中的卷积神经网络层次结构和大脑视觉区域的神经网络结构非常相似。此外，深度网络中的反向传播算法与大脑中的反馈传递机制也有着相似之处。这些相似性为深度学习算法的改进和大脑神经网络的研究提供了很好的思路和方法。

总之，深度网络与大脑区域的RDM度量是研究神经网络相似性和探索人工智能与大脑之间联系的重要方法。未来将有更多的研究致力于深度学习算法和大脑神经网络的结合，进一步提高人工智能的性能和理解大脑的神经网络系统。

RDM关系的绘制

本文使用的 RDM 方法并非“用于度量神经网络中不同层次之间的相似性的矩阵表示方法”，而是“用于度量神经网络不同层次与大脑不同脑区之间的相似性”。

较简单的分割图像

第一组图像采用较简单的分割图像，认为它简单的原因是图像只包含目标信息，而不含有复杂背景。通过 RDM 比较分析可以看到，与脑磁图（MEG）模态的高级脑区（用 late 表示）神经表征最为相似的是 features.8 层，也就是特征层的最后一层。而处于该层之后的分类层（用 classifier 表示）的相似性则开始递减，递减过程中没有发现固定规律。

另外，由于 MEG 数据包含多达 20 个时间点，（它们分别对应从图像呈现开始的第 1 个到第 20 个时间点），方便我们进行时序分析。观察时序特性的结果表明在图像出现时的脑响应与神经网络最为相似，之后随时间递减。

较复杂的自然图像

复杂图像是指在较复杂的自然背景下的图像。相似性最高的仍然是 features.8 层，即特征层的最后一层。分类层仍然没有规律。但有意思的是，它随时间变化呈现先低后高，单调上升的趋势。这是与简单图像相反的。