【Nature通讯】深度神经网络模型中的个体差异

深度神经网络(DNNs)擅长于视觉识别任务，并日益被用作灵长类动物大脑神经计算的建模框架。就像单个大脑一样，每个DNN都有独特的连通性和表征特征。在这里，我们研究DNN实例之间的个体差异，产生只改变网络权值的随机初始化。使用通常用于系统神经科学的工具，我们表明，尽管相似的网络级别分类性能，但在训练前的初始条件的最小变化会导致中级和高级网络表征的实质性差异。我们定位效果的来源，在一个约束不足的类别样本对齐，而不是错位的类别中心点。这些结果对使用单个网络来获得神经信息处理洞察力的普遍做法提出了质疑，同时也暗示了从事DNNs研究的计算神经科学家可能需要将他们的推论建立在多个网络实例组的基础上。