事件

神经成像中的自然主义实验范式产生于测试我们从现实环境中高度控制的实验中得出的模型有效性的压力。然而，在许多情况下，这样的努力导致在特定的实验操作下开发的模型无法捕获该操作上下文之外的很多方差。对非自然主义实验的批判并不是最近才出现的;它呼应了现代心理学史上一个持久而具有颠覆性的线索。大脑已经进化到在一个有许多相互作用变量的多维世界中指导行为。认为人为地解耦和操纵这些变量将导致对大脑的良好理解的假设可能是站不住脚的。人工神经网络的最新进展为在自然环境中建模认知提供了另一种计算框架。与我们在实验室中测试的简化和可解释的假设相比，这些模型不学习简单的、人类可解释的规则或世界的表征。相反，他们使用局部计算在高维参数空间中的任务相关流形上进行插值。与直觉相反，过度参数化的深度神经模型简约而直接，因为它们为在自然环境中学习各种函数集提供了一种通用的、健壮的解决方案。 Naturalistic paradigms should not be deployed as an afterthought if we hope to build models of brain and behavior that extend beyond the laboratory into the real world. In my talk, I will discuss the relevance of deep neural models to cognition in the context of natural language and deep language models. Zoom link- https://weizmann.zoom.us/j/95406893197?pwd=REt5L1g3SmprMUhrK3dpUDJVeHlrZz09 Meeting ID: 954 0689 3197 Password: 750421