,

大腦能非�？焖俚刈R別復雜的事物，區分其種類。例如，不管字母A的外形、質地和背景怎樣，或者不管同事的頭上戴著帽子還是變了發型，我們總能認出來。我們也能根據事物露出的一部分，比如床的一角或門的鉸鏈，來認出它們。這到底是怎么實現的呢？人類是不是使用了特別簡單的技巧來完成這些復雜的任務？這些技巧是不是能用來改善計算機視覺，提高機器學習能力或機器人性能呢？

喬治亞理工學院的研究人員發現，人類能使用不到百分之一的原始信息來給數據分類，他們還確認了一種能夠解釋人類學習行為的算法，這種方法也能用于提升機器學習能力、數據分析和改善計算機視覺。

“我們怎么能夠感知我們周圍的這么多數據呢？怎么就能區分這么多種類型，這么快速，這么篤定？”喬治亞理工大學計算機科學的特聘教授桑托什·萬帕拉說，“人類那么做的基礎是什么？這是一個計算問題。”

該大學負責研究人類行為的研究人員做了“隨機投影”試驗，來理解人類的學習行為。他們把原始的抽象圖像呈現給測試對象，然后詢問他們是否能夠識別出那些只顯露一小部分特征的圖像。

“我們假定隨機投影是人類學習的一種方式，”阿里亞加說。他是資深科學家和發展心理學家。他解釋說：“最簡潔的答案是，預測可能總是對的。只要給人類百分之零點一五的數據，人類就能做到準確預測。”

接著，研究人員測試了一個計算機算法，讓機器（非常簡單的神經網絡）計算同樣的測驗。機器的表現跟人類一樣。“我們發現，人類和機器的神經網絡非常相似。”

科研人員想找出一個數學定義，找出典型和非典型的公式，然后，據此預測出對人類和機器學習來說最困難的那種數據。人類和機器的表現差不多，這表明隨著時間的過去，人們將能預測出最難獲悉的數據。

這個研究成果刊登在《神經計算雜志》上，被認為是對“隨機投影”的首次研究。

為了測試他們的理論，研究人員做了三組150X150像素的抽象圖像，然后把那些圖像縮小到最小的隨機投影。被測試人員看到所有圖像的時間是10秒鐘，然后會隨意給出某一個圖像的16張草圖。使用抽象圖像的目的是，確保人類和機器都不會提前獲得該測試物的相關知識。

“我們驚奇地發現，簡單的神經網絡和人類的表現是如此接近，”萬帕拉說，“通過研究人類學習模式，我們發現機器神經網絡的設計太了不起了，不過它還很薄弱。發現它跟人類的行為匹配，真是太讓人驚訝了！那是一種幾何學、機器神經計算和機器學習能力的創造性組合！”

雖然研究人員不能明確聲稱人類大腦的識別能力就是隨機投影，但是研究結果隨機投影看起來是個有道理的解釋。另外，隨機投影是使數據不必丟失主要內容而得到有效管理的一種方法，至少對完成分類和做決定這樣的基本任務來說是這樣。

本文來自：逍遙右腦記憶 http://www.885221.com/tansuo/443103.html

相關閱讀：