人間における即時の一般化，但し深層神経ネットワークにおける一般化の遅れx2014表象の発散に関する証拠？

最近の研究では、画像分類の領域において、人間と深層神経ネットワーク（DNN）の間で多くの行動的比較が行われています。比較研究はしばしば、物体カテゴリの表象が形成された後の類似性を測定し比較することによって、学習プロセスの最終結果に焦点を当てます。しかし、これらの表象がどのように出現するか、すなわち、獲得中に観察される行動の変化や中間段階は、直接的かつ経験的に比較されることはあまりありません。ここでは、人間の観察者と様々な古典的および最先端のDNNにおいて、転送可能な表象がどのように獲得されるかについての詳細な調査を報告します。私たちは、出発点、入力モダリティ、利用可能な入力データ、提供されるフィードバックなど、学習関連のパラメータを整列させる制約付きの監視学習環境を開発します。全体の学習プロセスを通じて、学習された表象が以前に見たことのないテストデータにどの程度一般化できるかを評価し比較します。私たちの発見は、絶対的な分類パフォーマンスの観点から、DNNはデータ効率のレベルを示し、x2014時には人間の学習者を超えることさえあるx2014業界におけるいくつかの普遍的な仮定に挑戦することを示しています。しかし、学習プロセス全体にわたる比較は重要な表象の違いを明らかにします: DNNの学習は著しい一般化の遅れによって特徴付けられていますが、人間は前提となる学習セット特有の情報を学習したのちに新しいデータに転送することなしに、すぐに一般化可能な表象を獲得するようです。