學習識別和分類物件是一種基本的認知技能，可以讓動物在世界上發揮作用。例如，將另一種動物識別為朋友或敵人，可以決定如何與之互動。同樣地，將植物識別為可食用(或不可食用)可以確保生存。然而，如果動物與環境分離，那麼動物通常無法獲得理想的物體。同樣的物體通常會以不同的視角，如部分的阻礙，或在不理想的光照條件下，都有可能受到影響。因此，在雜訊和退化條件下進行分類研究是必要的。
大腦是如何在退化的條件下處理分類刺激物的?一種可能性是，通常與後部皮層視覺處理（例如v1，v2，v3，v4）相關的大腦區域從其環境(背景噪音)中提取刺激物，而大腦區域通常與分類相關[例如紋狀體，前額葉皮質（pfc），海馬（hc）]且不受退化條件的影響；另一種可能性是，視覺處理不受**條件的影響，但分類系統在較差的**條件下接收到退化的刺激表示，並需要相應地調整其處理。
為了解開這兩個可能性，研究人員在purdue mri設施中進行掃瞄，同時對具有不同透明度水平的面具覆蓋的新穎抽象刺激物進行分類。先進的機器學習方法被用來處理大腦活動，並嘗試僅基於測量的大腦活動來**刺激物的觀察條件。這個過程有時被稱為「讀心術」,並使用支援向量機(svm)。全腦分析的結果表明, svm可以區分最惡化的視覺條件和其他兩個(退化)檢視條件。
通過對svm學習模式的分析，發現後視區v1、v2、v3和v4在不同的觀測條件下是最重要的。這一結果得到了關注特定腦區的興趣區域(roi)分析的進一步支援。roi分析表明，腦區v1、v2、v3和v4的活動各自能夠識別刺激物惡化的水平。相比之下，通常與刺激物分類相關的紋狀體、pfc和hc，無法識別刺激物惡化的水平。
總之，這些結果支援這樣的假設: 當刺激物難以從其背景環境中提取時，視覺系統中的處理在將刺激物分類到適當的大腦系統之前提取刺激物。這些研究結果對於認知神經科學在視覺方面的工作與認知神經科學在分類方面的工作有重要意義。它對神經系統病人群體也有重要的影響。例如，只影響後視系統的腦損傷患者可能具有未受損的分類能力，那麼，就可以從他們的環境中隔離視覺刺激物而受益。
相反，直接影響分類系統的疾病，例如亨廷頓氏病，應該使視覺系統基本保持完好，而將視覺刺激物與環境隔離開來可能對這種情況沒有幫助。顯然，需要做更多的工作來更好地理解大腦處理資訊的方式，而機器學習方法（如svm），可能會允許加速這些發現。
深海探測機械人——「海洋一號」成功出航！
一台機器就能幫助夫妻懷孕? ai比醫生更善於**胚胎良好度
mit麻省理工將英偉達評為最聰明的公司，特別是在創新領域
tensorflow：google將它的未來賭在了這個軟體上
機器學習中對假設的評價
在機器學習中，按照ng的說法，常見的做法是先使用乙個簡單的模型來進行計算，然後找到其中容易出現的問題和樣本的一些特徵，解決之後再使用較為複雜的模型，這樣會比較節省時間，下面介紹一些常見對假設進行評價的方法。首先在機器學習中常見的對樣本的分類方式是60 的訓練集 training set 20 的交叉...
機器學習中Python環境的配置問題
現如今，python在人工智慧領域已經應用的很廣泛了。它具有很強的實用性，並且具有豐富的工具庫。比如常用的 numpy pandas matplotlib scikit learn tensorflow等。tensorflow是深度學習的框架，相信大家也比較熟悉。如果在windows環境下安裝ten...
機器學習中的偏差和方差
數學解釋 偏差 描述的是 值 估計值 的期望與真實值之間的差距。偏差越大，越偏離真實資料，如下圖第二行所示。方差 描述的是 值的變化範圍，離散程度，也就是離其期望值的距離。方差越大，資料的分布越分散，如下圖右列所示。機器學習中的偏差和方差 首先，假設你知道訓練集和測試集的關係。簡單來講是我們要在訓練...