注册

ReGraph模型揭示双视觉流中泛化能力的计算机制

论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合

本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。

ReGraph是一种引入生物学归纳偏置的循环双流图模型，包含视网膜驱动的流特化编码、背侧至腹侧调节及动态侧向连接。在Something-Something V2动作基准上训练后，模型沿背侧通路独有地涌现出上下文不变码与类网格空间基，而单流或无调节变体及标准基线均未出现，表明这些偏置是关系结构的先决条件。类网格基可作为可复用路由模板。该研究计算性地表明，泛化并非在特定脑区突现，而是感官信息分层解析为因子化流时便已成型。

全文梳理

AI 摘要依据下方信源原文自动整理，非原文转载

双流图模型ReGraph

该研究提出名为ReGraph的循环双流图模型，用于在计算层面考察泛化能力如何沿视觉通路逐步形成。模型引入三类带有生物学倾向的归纳偏置：由视网膜驱动的、按通路分工的编码方式，背侧对腹侧的调制，以及动态的侧向连接。作者用动作识别基准Something-Something V2对模型进行训练，观察关系映射在两条通路上的出现情况。论文标注的提交时间为2026年10月6日，篇幅29页，含6幅图，作者为Hyewon Kang、Jungmin Lee、Ilgyu Lee与Seok-Jun Hong，归类于神经与进化计算以及人工智能方向。

背侧通路上的共现

训练结果显示，与情境无关的编码和类似网格的空间基座，只在延展的背侧通路上共同涌现。这类网格状放电模式通常被视为内侧内嗅皮层中情境不变编码的标志，而在此前的背侧通路新皮层区域也曾被观察到。ReGraph的结果把这种表征的形成过程放到了更靠前的上游环节。相比之下，单流通路、缺少调制的变体以及常规基线模型都没有出现同样的现象，说明上述归纳偏置是关系结构得以形成的前提条件，而非训练数据本身自然带来的结果。

网格基座作路由模板

事后分析进一步显示，这些类似网格的基座充当了可复用的路由模板，信息处理借助侧向连接在其中流转。这一发现把网格样表征的角色从单纯的空间编码扩展为一种通用的信息调度结构。研究据此给出的计算解释是：泛化未必是某个专门脑区突然具备的能力，而更像是在感觉信息被拆分为层级化视觉处理中的因子化通路时就已经开始成形。该结论建立在仿真实验之上，适用范围限于所采用的模型结构与动作识别基准，能否推广到其他任务与生物数据仍需进一步检验。

为什么值得看

为AI与神经科学中泛化能力的起源提供计算解释，证明双流结构与特定归纳偏置是涌现关系结构的必要前提。

基准测试

信源1 家

  1. [1]arXiv cs.AI一手信源ReGraph: A Computational Account of Emergent Generalization in the "what" and "where" Dual Visual Streams

关键事实

  • ReGraph是具有生物学归纳偏置的循环双流图模型，含视网膜驱动编码、背侧至腹侧调节和动态侧向连接[1]

  • 在Something-Something V2动作基准测试中，背侧通路独有地涌现出上下文不变码与类网格空间基[1]

  • 单流、无调节变体及标准基线均未涌现上述结构，表明归纳偏置是关系结构先决条件[1]

  • 类网格基通过侧向连接充当信息处理的可复用路由模板[1]

  • 泛化能力并非在特定脑区突现，而是在感官信息分层解析为因子化流时便已成型[1]

相关 · 论文

DreamX 将预训练视频扩散模型改造为通用潜在动作学习器

11月4日 周三·AI 78

arXiv 论文提出「认知共生体」概念，主张 AI 增强人的智能

11月4日 周三·AI 58

独立复现 DNO-Prct：Llama 3.1 8B 对 GPT-4o 胜率升…

11月4日 周三·AI 72

研究提出 PEARL 方法，用于持久抑制语言模型的不对齐行为

11月4日 周三·AI 78

本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。

去论坛讨论