跳到正文
arXiv · 机器人与计算机视觉· Leyla Roksan Caglar, Pedro A. M. Mediano, Baihan Lin·· 3 天前AI 评分44

Directional Confusions Reveal Divergent Inductive Biases Through Rate-Distortion Geometry in Human and Machine Vision

Directional Confusions Reveal Divergent Inductive Biases Through Rate-Distortion Geometry in Human and Machine Vision

AI 导读

人类与现代视觉模型在分类准确率相近时,其错误方向存在系统性差异,揭示了仅靠准确率无法察觉的归纳偏置。研究通过自然图像分类任务下 12 种扰动类型匹配的人机响应,量化混淆矩阵不对称性并关联信息 - 误差权衡几何特征(斜率 beta、曲率 kappa 及效率 AUC)。结果显示人类呈现广泛但微弱的不对称,而深度模型则表现为稀疏且强烈的方向性坍缩。

来源:arXiv · 机器人与计算机视觉 · arxiv.org