.png){kind=icon}
返回
Compression-enabled interpretability of voxelwise encoding models
.png){kind=icon}
OA
AI
DOI：10.1371/journal.pcbi.1012822.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于卷积神经网络（CNNs）的体素级编码模型已作为自然电影所诱发的脑活动预测模型中的最先进方法出现。尽管其预测性能优越，但CNN模型中庞大的参数数量使其难以解释。在此，我们探究模型压缩能否在保持精度的同时构建出更可解释且更稳定的CNN体素级模型。我们采用多种压缩技术修剪重要性较低的CNN滤波器和连接，一种感受野压缩方法来选择具有最优中心和尺寸的感受野，以及主成分分析来降维。我们证明，模型压缩提高了在保留测试集中识别视觉刺激的准确性。此外，压缩模型比未压缩模型提供了更稳定的体素级模式选择性的解释。最后，感受野压缩模型揭示，基于模型的最优群体感受野在腹侧视觉通路中变得更大且更集中。总体而言，我们的发现支持使用模型压缩来构建更可解释的体素级模型。
Keyword:
NATURAL IMAGES
REPRESENTATIONS
期刊
IF:
7.2
论文数:
2.1K
被引数:
3.9W
机构
引用论文
Reconstructing Visual Experiences from Brain Activity Evoked by Natural Movies.png)
CURRENT BIOLOGY
OAAI
CURRENT BIOLOGYIF7.5
OAAI分享收藏Increasingly complex representations of natural movies across the dorsal stream are shared between subjectsNeuroImageOAAI
NeuroImageIF0
OAAI分享收藏Deep recurrent neural network reveals a hierarchy of process memory during dynamic natural visionHUMAN BRAIN MAPPINGOAAI
HUMAN BRAIN MAPPINGIF3.3
OAAI分享收藏Parametric reverse correlation reveals spatial linearity of retinotopic human V1 BOLD responseNeuroImage
NeuroImageIF0
PREAI
分享收藏The minimal preprocessing pipelines for the Human Connectome Project人类连接体项目的最小预处理管道NeuroImageOAAI
NeuroImageIF0
OAAI分享收藏
查看更多内容