家中狗子都在想些啥,科学家们利用机器学习搞清楚了
铲屎官们有没有想过,每天向你撒娇、求投喂的狗狗,它脑海里究竟在想什么?
为什么有时候投入大把精力养熟的狗子,转头就可以扑向别人的怀里?
其实,狗狗这么做并不故意是要气你——
一项来自埃默里大学的实验表明:狗狗对世界的看法可能与我们截然不同。
人类更关注对象,但狗子却不太关心看到的到底是谁或什么物体,而更在意动作本身。
所以按理来说,谁对狗子好它就可以亲近谁。(当然,别忘了狗子嗅觉灵敏,许多狗狗也很认主)
此外,狗和人类的视觉系统也有很大差异,它们只能看到黄蓝色调,但有一个灵敏的视觉感受器,用来观察运动。
这项实验采用了机器学习来弄清楚狗子的大脑活动,相关论文已在The Journal of Visualized Experiments上发表。
研究者指出,这种方法有一个明显的好处:就是无创。
而此方法之前只在灵长动物身上用过,所以这次在狗狗身上的实验算是一个重大突破。
下面就来看看具体体验过程。
对比狗和人的大脑活动
研究者通过机器学习和fMRI(功能磁共振成像),来探索狗狗看到不同类视频时的大脑活动。
至于为什么要选狗子而非其他动物?
因为狗子是一种比较好教的动物,通过一定训练后可以乖乖配合MRI(核磁共振)扫描,而不需要注射镇静剂或使用其他约束方法。
不过尽管狗狗相对听话,但要在本研究中,它们除了要参与MRI扫描,还要长时间观看视频。所以最终只有2只狗入选,一只是4岁的雄性拳师混血犬,另一只11岁的雌性波士顿梗混血犬。
△狗狗正在看视频
每只狗狗看了三组不同的视频,每组视频时长30分钟,共计256个视频片段。为了控制变量,这些视频都没有声音。
其中一些视频主要展示不同的物体(如:人、狗、汽车),另一些视频则侧重于展示不同的动作(如:玩耍、吃东西、闻气味)。
为了作比较,两名人类志愿者也以同样的程序观看了这些视频片段。
在志愿者和狗狗看视频的同时,研究人员用3T核磁共振扫扫描仪记录了他们的大脑活动图像。
然后他们使用神经网络,训练并测试了3个分类器(classifier),以区分“物体”和“行动”。
诶,为啥不是2个而是3个?
因为关于行为的分类器中,一个是在3种不同动作上训练的,另一个则学习了5种动作。
结果显示,人脑对物体和动作都有不错的反应,而狗狗的大脑只对动作敏感,对于不同的人、物,它们似乎并不感冒。
△左为人脑MRI图,右为狗脑MRI图
为了评估模型性能、让数据更有说服力,研究者还用了Ivis机器学习算法对收集的数据进行量化。
从人类志愿者的数据来看,这些模型在将其大脑活动数据映射到不同分类器上时,准确性都超过99%。
而在对狗的大脑数据进行解码时,该模型对基于物体的分类器基本不起作用;不过对于基于行为的分类器来说,准确率可达60%至88%。
由此可见,狗狗的思维方式和我们还是有很大区别的!
研究者简介
研究者来自埃默里大学心理学系。
论文一作Erin M. Phillips,现为普林斯顿大学生态学和进化生物学系的在读博士研究生。
她作为访问学者来到埃默里大学,并参与了这项研究。
论文的共同作者Gregory S.Berns,现任埃默里大学教授,主要研究方向为人类决策的神经影像、狗的fMRI,以及比较神经生物学。
Berns教授本科毕业普林斯顿大学物理学系,并先后获得2个博士学位:生物医学工程博士以及医学博士。
Berns认为,狗狗更关注动作其实是可以理解的,因为动物天生需要非常关注环境中的变化,以此来捕猎或者避免被吃掉。
虽然在本次研究中,最终只有2只狗参与,不过研究者未来还会对更多狗子以及其他动物展开实验,探索动物们是如何感知世界的。
论文地址:https://www.jove.com/t/64442/through-dog-s-eyes-fmri-decoding-naturalistic-videos-from-dog
参考链接:https://www.eurekalert.org/news-releases/964886
以上是家中狗子都在想些啥,科学家们利用机器学习搞清楚了的详细内容。更多信息请关注PHP中文网其他相关文章!

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

Video Face Swap
使用我们完全免费的人工智能换脸工具轻松在任何视频中换脸!

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

在机器学习和数据科学领域,模型的可解释性一直是研究者和实践者关注的焦点。随着深度学习和集成方法等复杂模型的广泛应用,理解模型的决策过程变得尤为重要。可解释人工智能(ExplainableAI|XAI)通过提高模型的透明度,帮助建立对机器学习模型的信任和信心。提高模型的透明度可以通过多种复杂模型的广泛应用等方法来实现,以及用于解释模型的决策过程。这些方法包括特征重要性分析、模型预测区间估计、局部可解释性算法等。特征重要性分析可以通过评估模型对输入特征的影响程度来解释模型的决策过程。模型预测区间估计

本文将介绍如何通过学习曲线来有效识别机器学习模型中的过拟合和欠拟合。欠拟合和过拟合1、过拟合如果一个模型对数据进行了过度训练,以至于它从中学习了噪声,那么这个模型就被称为过拟合。过拟合模型非常完美地学习了每一个例子,所以它会错误地分类一个看不见的/新的例子。对于一个过拟合的模型,我们会得到一个完美/接近完美的训练集分数和一个糟糕的验证集/测试分数。略有修改:"过拟合的原因:用一个复杂的模型来解决一个简单的问题,从数据中提取噪声。因为小数据集作为训练集可能无法代表所有数据的正确表示。"2、欠拟合如

20世纪50年代,人工智能(AI)诞生。当时研究人员发现机器可以执行类似人类的任务,例如思考。后来,在20世纪60年代,美国国防部资助了人工智能,并建立了实验室进行进一步开发。研究人员发现人工智能在许多领域都有用武之地,例如太空探索和极端环境中的生存。太空探索是对宇宙的研究,宇宙涵盖了地球以外的整个宇宙空间。太空被归类为极端环境,因为它的条件与地球不同。要在太空中生存,必须考虑许多因素,并采取预防措施。科学家和研究人员认为,探索太空并了解一切事物的现状有助于理解宇宙的运作方式,并为潜在的环境危机

C++中机器学习算法面临的常见挑战包括内存管理、多线程、性能优化和可维护性。解决方案包括使用智能指针、现代线程库、SIMD指令和第三方库,并遵循代码风格指南和使用自动化工具。实践案例展示了如何利用Eigen库实现线性回归算法,有效地管理内存和使用高性能矩阵操作。

机器学习是人工智能的重要分支,它赋予计算机从数据中学习的能力,并能够在无需明确编程的情况下改进自身能力。机器学习在各个领域都有着广泛的应用,从图像识别和自然语言处理到推荐系统和欺诈检测,它正在改变我们的生活方式。机器学习领域存在着多种不同的方法和理论,其中最具影响力的五种方法被称为“机器学习五大派”。这五大派分别为符号派、联结派、进化派、贝叶斯派和类推学派。1.符号学派符号学(Symbolism),又称为符号主义,强调利用符号进行逻辑推理和表达知识。该学派认为学习是一种逆向演绎的过程,通过已有的

MetaFAIR联合哈佛优化大规模机器学习时产生的数据偏差,提供了新的研究框架。据所周知,大语言模型的训练常常需要数月的时间,使用数百乃至上千个GPU。以LLaMA270B模型为例,其训练总共需要1,720,320个GPU小时。由于这些工作负载的规模和复杂性,导致训练大模型存在着独特的系统性挑战。最近,许多机构在训练SOTA生成式AI模型时报告了训练过程中的不稳定情况,它们通常以损失尖峰的形式出现,比如谷歌的PaLM模型训练过程中出现了多达20次的损失尖峰。数值偏差是造成这种训练不准确性的根因,

译者|李睿审校|重楼人工智能(AI)和机器学习(ML)模型如今变得越来越复杂,这些模型产生的输出是黑盒——无法向利益相关方解释。可解释性人工智能(XAI)致力于通过让利益相关方理解这些模型的工作方式来解决这一问题,确保他们理解这些模型实际上是如何做出决策的,并确保人工智能系统中的透明度、信任度和问责制来解决这个问题。本文探讨了各种可解释性人工智能(XAI)技术,以阐明它们的基本原理。可解释性人工智能至关重要的几个原因信任度和透明度:为了让人工智能系统被广泛接受和信任,用户需要了解决策是如何做出的

在C++中,机器学习算法的实施方式包括:线性回归:用于预测连续变量,步骤包括加载数据、计算权重和偏差、更新参数和预测。逻辑回归:用于预测离散变量,流程与线性回归类似,但使用sigmoid函数进行预测。支持向量机:一种强大的分类和回归算法,涉及计算支持向量和预测标签。
