Сходство предметов: Сходство предметов, 8 (восемь) букв

Сходство Предметов И Явлений, Их Соотношение

Решение этого кроссворда состоит из 8 букв длиной и начинается с буквы А

---

Ниже вы найдете правильный ответ на Сходство предметов и явлений, их соотношение, если вам нужна дополнительная помощь в завершении кроссворда, продолжайте навигацию и воспользуйтесь нашей функцией поиска.

ответ на кроссворд и сканворд

Вторник, 7 Января 2020 Г.

CodyCross Древний Египет Rруппа 197

---

---

АНАЛОГИЯ

предыдущий следующий

---

---

ты знаешь ответ ?

ответ:

CODYCROSS Древний Египет Группа 197 ГОЛОВОЛОМКА 3

1. Вылечить, избавить кого-то от недуга
2. Составная часть любого печатного издания
3. Высший руководитель города в речи посполитой
4. Есть что-либо с большим аппетитом (разг. )
5. Помощник музыканта для ориентирования по темпу
6. Комедиант с тнт, сыграл жорика вартанова
7. Повышение температуры воздуха в конце зимы
8. Канат с перекладиной как альтернатива качелям
9. Крупный дрозд; кустарник с белыми цветками
10. Широкая юбка с обручами внутри
11. То же, что и винтовка бердана (разг. )
12. Африканское государство со столицей хараре
13. Пастух, стерегущий стадо хрюшек
14. Мультфильм студии walt disney красавица и __
15. __ с поля, спортивное наказание

связанные кроссворды

1. Аналогия
1. Подобие при сравнении двух предметов или явлений
2. Аналогия
1. Отражение одного явления в другом, проясняющее их оба
2. Сходство между предметами, явлениями или понятиями

похожие кроссворды

1. Полное сходство, подобие предметов, явлений друг другу или самим себе
2. Группа лиц, предметов, явлений, объединенных общностью каких-нибудь признаков
3. Тесная связь, взаимозависимость предметов, явлений
4. Познавание предметов, явлений, их смысла и символического значения
5. Научная классификация предметов или явлений по общности каких-либо признаков
6. Совокупность предметов или явлений, составляющих одно целое
7. Совокупность предметов или явлений, составляющих одно целое 8 букв
8. Совокупность, сочетание предметов, явлений, процессов и т. п 8 букв
9. Взаимное соответствие (явлений, предметов, качеств и т. п.) 8 букв
10. Категория, разряд предметов, явлений или лиц 4 буквы
11. Отдельная область жизни, явлений, предметов 3 буквы
12. Абстрактное выявление общих признаков предметов, явлений 9 букв
13. Адекватное отражение предметов и явлений действительности познающим 6 букв
14. В числе других предметов, лиц, явлений 5 букв

Выразительные средства 6 класс онлайн-подготовка на Ростелеком Лицей

Текст. Выразительные средства.

Основным средством выразительности являются тропы — специальные изобразительно-выразительные средства языка, основанные на использовании слов в переносном значении.

Виды тропов: эпитет, сравнение, метафора, олицетворение и другие.

Эпитет — это образное определение, отмечающее существенную для данного контекста черту в явлении.

От простого определения эпитет отличается художественной выразительностью и образностью. В основе эпитета лежит скрытое сравнение. К эпитетам относятся все «красочные» определения, которые чаще всего выражаются прилагательными: задумчивый шелест, печальный туман, немая тишина.

Эпитеты могут также выражаться:

— существительными, которые дают образную характеристику предмета: Волга-матушка; осень-чародейка;

— наречиями, выступающими в роли обстоятельств: Он горячо любит свою избранницу;

— местоимениями, выражающими превосходную степень того или иного состояния человеческой души: -Говорят, был отличный концерт! -Да, еще какой!

Сравнение — это изобразительный прием, основанный на сопоставлении одного явления с другим.

Сравнение всегда двучленно: в нем называются оба сопоставляемых предмета.

Пример: Озеро было гладким, как зеркало. Озеро, как зеркало – сравнение.

Сравнения выражаются различными способами:

— формой творительного падежа существительных: молодость прошла одним днем;

— формой сравнительной степени прилагательного или наречия: ее глаза ярче звезд.

— сравнительными оборотами с союзами как, словно, будто, как будто и др.: луна, будто огромная сырная голова;

— при помощи слов «подобный», «похожий», «это»: ее руки подобны тонким ветвям ивы.

Сравнения могут быть прямыми и отрицательными.

Отрицательные сравнения особенно характерны для устной народной поэзии и могут служить способом стилизации текста: то не конский топ, не людская молвь…

Сравнения как средства языковой выразительности могут использоваться не только в художественных текстах, но и в публицистических, разговорных, научных.

Метафора — это слово или выражение, которое употребляется в переносном значении на основе сходства двух предметов или явлений по какому-либо признаку. Иногда говорят, что метафора – это скрытое сравнение.

Например, метафора: Ее серебряные волосы ниспадали с плечи – содержит сравнение волос с серебром.

Многие метафоры стали обычными в повседневном употреблении и потому не привлекают внимания, утратили в нашем восприятии образность: дело прогорело, хождение рубля, кружится голова.

В отличие от сравнения, в котором приводится и то, что сравнивается, и то, с чем сравнивается, метафора содержит только второе, что создает компактность и образность употребления слова.

В основу метафоры может быть положено сходство предметов по форме, цвету, объему, назначению, ощущениям и т.п.: гора сообщений, стена льда, искра ненависти.

Олицетворение — это разновидность метафоры, основанная на переносе признаков живого существа на явления природы, предметы и понятия.

Чаще всего олицетворения используются при описании природы:

Ведь уж осень на двор

Через прясло глядит.

Вслед за нею зима

В теплой шубе идет,

Путь снежком порошит,

Под санями хрустит…

Реже олицетворения связаны с предметным миром:

Вдалеке плакала скрипка.

На олицетворении строится один из самых близких к фольклору литературных жанров – басня.

Аллегория — один из видов художественных тропов, который широко используется в литературе. Можно сказать, что аллегория — это иносказательное изображение какого-либо явления действительности. Примеры аллегорий:

осел — это глупость, баран — упрямство, голубь — мир.

Использование аллегории художниками слова способствует раскрытию абстрактного понятия добра, зла, подлости, жадности и пр. в конкретном художественном образе.

Выявление многомерных мысленных представлений о природных объектах, лежащих в основе суждений о подобии человека

• Статья
• Опубликовано: 12 октября 2020 г.

• Мартин Н. Хебарт ORCID: orcid.org/0000-0001-7257-428X ^1,2 ,
• Чарльз Ю. Чжэн ORCID: orcid.org/0000-0003-3427-0845 ³ ,
• Франсиско Перейра ORCID: orcid.org/0000-0003-2773-3426 ³ и
• …
• Крис И. Бейкер ORCID: orcid.org/0000-0001-6861-8964 ¹  

Природа Поведение человека том 4 , страницы 1173–1185 (2020)Процитировать эту статью

• 7091 Доступ

• 46 цитирований

• 282 Альтметрический

• Сведения о показателях

Субъектов

• Вычислительные модели
• Поведение человека
• Восприятие

Abstract

Объекты можно охарактеризовать в соответствии с огромным количеством возможных критериев (таких как одушевленность, форма, цвет и функция), но некоторые измерения более полезны, чем другие, для понимания объектов вокруг нас. Чтобы определить эти основные параметры представлений объектов, мы разработали управляемую данными вычислительную модель суждений о сходстве для реальных изображений 1854 объектов. Модель зафиксировала наиболее объяснимую дисперсию в суждениях о сходстве и дала 49 результатов.хорошо воспроизводимые и значимые измерения объектов, которые отражают различные концептуальные и перцептивные свойства этих объектов. Эти параметры предсказывали поведение внешней категоризации и отражали суждения о типичности этих категорий. Кроме того, люди могут точно оценивать объекты по этим измерениям, подчеркивая их интерпретируемость и открывая способ генерировать оценки сходства только на основе размеров объекта. В совокупности эти результаты демонстрируют, что человеческие суждения о сходстве могут быть отражены в довольно низкоразмерном интерпретируемом вложении, которое обобщается на внешнее поведение.

Это предварительный просмотр содержимого подписки, доступ через ваше учреждение

Соответствующие статьи

Статьи открытого доступа со ссылками на эту статью.

• Записи ЭЭГ человека для 1854 понятий, представленных в быстрых последовательных потоках визуальных презентаций.

  • Тейл Грутсвагерс
  • , Айви Чжоу
  •  … Томас А. Карлсон

  Научные данные Открытый доступ 10 января 2022 г.

Опции доступа

Подписаться на журнал

Получите полный доступ к журналу на 1 год

118,99 €

всего 9,92 € за выпуск

Подписаться

Расчет налогов будет завершен во время оформления заказа.

Купить статью

Получите ограниченный по времени или полный доступ к статье на ReadCube.

32,00 $

Купить

Все цены указаны без учета стоимости.

Рис. 1: Задача и процедура моделирования для крупномасштабной идентификации представлений ментальных объектов. Рис. 2: Предсказательность вычислительной модели для поведенческих суждений и сходства в одном испытании. Рис. 3: Пример размеров объекта, иллюстрирующий их интерпретируемость. Рис. 4: Иллюстрация объектов в качестве примера с соответствующими размерами с использованием диаграмм-роз. Рис. 5: Двумерная визуализация встраивания подобия, сочетающая уменьшение размерности (многомерное масштабирование, инициализированное t , распределенное стохастическое встраивание окрестности; двойное недоумение, 5 и 30; 1000 итераций) с розами для каждого объекта ( см. рис. 4). Рис. 6. Сколько измерений требуется для фиксации поведенческих суждений и сходства объектов? Рис. 7: Взаимосвязь между кажущимися категориальными параметрами и оценками типичности этих категорий. Рис. 8: Задание и результаты прямой оценки размеров.

Доступность данных

Полученные данные о встраивании, триплетные поведенческие данные для тестирования производительности модели, оценки типичности, созданные участниками метки параметров и рейтинги параметров доступны по адресу https://osf.io/z2784. Поведенческие данные, используемые для обучения модели, можно получить у соответствующего автора по запросу.

Наличие кода

Для воспроизведения соответствующих анализов и рисунков соответствующие сценарии и функции MATLAB доступны по адресу https://osf.io/z2784. Код компьютерного моделирования для создания встраивания можно получить у соответствующего автора по запросу.

Ссылки

1. Бидерман, И. Распознавание по компонентам: теория понимания человеческого образа. Психолог. 94 , 115–147 (1987).

   Артикул Google ученый

2. Эдельман С. Репрезентация — это репрезентация подобия. Поведение. наук о мозге. 21 , 449–467 (1998).

   Артикул КАС Google ученый

3. Нософски, Р. М. Внимание, сходство и отношения идентификации и категоризации. Дж. Эксп. Психол. Генерал 115 , 39–57 (1986).

   Артикул КАС Google ученый

4. Голдстоун, Р. Л. Роль сходства в категоризации: создание основы. Познание 52 , 125–157 (1994).

   Артикул КАС Google ученый

5. “>

   Рош Э., Мервис С. Б., Грей В. Д., Джонсон Д. М. и Бойс-Брэм П. Основные объекты в естественных категориях. Когнит. Психол. 8 , 382–439 (1976).

   Артикул Google ученый

6. Хан, У. и Чатер, Н. в «Знания, концепции и категории» (ред. Ламбертс, К. и Шанкс, Д.) 43–92 (Psychology Press, 1997).

7. Рипс, Л.Дж., Смит, Э.Э. и Медин, Д.Л. в The Oxford Handbook of Thinking and Reasoning (под редакцией Холиоак, К.Дж. и Моррисон, Р.Г.) 177–209 (Oxford Univ. Press, 2012).

8. Роджерс, Т. Т. и Макклелланд, Дж. Л. Семантическое познание: подход к параллельной распределенной обработке (MIT Press, 2004).

9. Goldstone, RL & Son, JY в The Oxford Handbook of Thinking and Reasoning (под редакцией Holyoak, KJ & Morrison, RG) 155–176 (Oxford Univ. Press, 2012).

10. “>

    Кригескорте, Н. и Киевит, Р. А. Репрезентативная геометрия: интеграция познания, вычислений и мозга. Тенденции Cogn. науч. 17 , 401–412 (2013).

    Артикул Google ученый

11. Карамазза, А. и Шелтон, Дж. Р. Системы знаний, специфичных для предметной области, в мозгу: различие между живым и неживым. Дж. Когн. Неврологи. 10 , 1–34 (1998).

    Артикул КАС Google ученый

12. Чао, Л.Л., Хаксби, Дж.В. и Мартин, А. Нервные субстраты на основе атрибутов в височной коре для восприятия и знания об объектах. Нац. Неврологи. 2 , 913–919 (1999).

    Артикул КАС Google ученый

13. Конкл Т. и Олива А. Канонический визуальный размер объектов реального мира. Дж. Эксп. Психол. Гум. Восприятие. Выполнять. 37 , 23–37 (2011).

    Артикул Google ученый

14. Мерфи, Г. Большая книга концепций (MIT Press, 2004).

15. Макрей, К., Кри, Г.С., Зайденберг, М.С. и МакНорган, К. Нормы производства семантических признаков для большого набора живых и неживых объектов. Поведение. Рез. Methods 37 , 547–559 (2005).

    Артикул Google ученый

16. Деверо, Б. Дж., Тайлер, Л. К., Гирцен, Дж. и Рэндалл, Б. Центр речи, языка и мозга (CSLB), концептуальные нормы собственности. Поведение. Рез. Методы 46 , 1119–1127 (2014).

    Артикул Google ученый

17. Hebart, M. N. et al. ВЕЩИ: база данных из 1854 понятий объектов и более 26 000 натуралистичных изображений объектов. PLoS ONE 14 , e0223792 (2019).

    Артикул КАС Google ученый

18. Тверской А. Признаки сходства. Психолог. 84 , 327–352 (1977).

    Артикул Google ученый

19. Барсалу, Л. В. Контекстно-независимая и контекстно-зависимая информация в концепциях. Мем. Когнит. 10 , 82–93 (1982).

    Артикул КАС Google ученый

20. Мэддокс, В. Т. и Эшби, Ф. Г. Сравнение моделей категоризации, связанных с принятием решений, и образцовых моделей. Восприятие. Психофиз. 53 , 49–70 (1993).

    Артикул КАС Google ученый

21. Хойер, П. О. Моделирование рецептивных полей с неотрицательным разреженным кодированием. Нейрокомпьютинг 52 , 547–552 (2003).

    Артикул Google ученый

22. Мерфи, Б., Талукдар, П. и Митчелл, Т. Изучение эффективных и интерпретируемых семантических моделей с использованием неотрицательного разреженного встраивания. В проц. COLING 2012 1933–1950 (2012).

23. Шепард, Р. Н. Обобщение стимулов и реакций: стохастическая модель, связывающая обобщение с расстоянием в психологическом пространстве. Психометрика 22 , 325–345 (1957).

    Артикул Google ученый

24. Кобак Д. и Беренс П. Искусство использования t-SNE для транскриптомики отдельных клеток. Нац. коммун. 10 , 5416 (2019).

    Артикул Google ученый

25. Шелтон Дж. Р., Фуш Э. и Карамазза А. Избирательное сохранение знаний о частях тела: тематическое исследование. Neurocase 4 , 339–351 (1998).

    Артикул Google ученый

26. Педерсен, Т., Патвардхан, С. и Микелицци, Дж. WordNet::Сходство — измерение родства понятий. В HLT-NAACL 2004: Демонстрационные документы (ред. Дюме, С. и др.) 38–41 (ACL Press, 2004).

27. Уоррингтон, Э. К. и Шаллис, Т. Семантические нарушения, специфичные для категории. Мозг 107 , 829–853 (1984).

    Артикул Google ученый

28. Рипс, Л. Дж. в Сходство и аналогия (ред. Восниаду, С. и Ортони, А.) 21–59 (Cambridge Univ. Press, 1989).

29. Смит, Э. Э. и Сломан, С. А. Категоризация на основе сходства и правил. Мем. Когнит. 22 , 377–386 (1994).

    Артикул КАС Google ученый

30. “>

    Пилевар, М. Т. и Коллиер, Н. Деконфликтированные семантические представления. В 2016 Конференция по эмпирическим методам обработки естественного языка (EMNLP) 1680–1690 (2016).

31. Нософски, Р. М., Сандерс, К. А., Мигер, Б. Дж. и Дуглас, Б. Дж. К разработке представления в пространстве признаков для сложной области естественных категорий. Поведение. Рез. Методы 50 , 530–556 (2018).

    Артикул Google ученый

32. Нософски, Р. М., Сандерс, К. А., Мигер, Б. Дж. и Дуглас, Б. Дж. Поиск недостающих измерений: построение представления в пространстве признаков для области естественнонаучных категорий. Вычисл. Мозговое поведение. 3 , 13–33 (2020).

    Артикул Google ученый

33. Кейл, Ф. К. Ограничения знаний и когнитивного развития. Психолог. 88 , 187–227 (1981).

    Артикул Google ученый

34. Шепард, Р. Н. Анализ близости: многомерное масштабирование с неизвестной функцией расстояния. Психометрика 27 , 125–140 (1962).

    Артикул Google ученый

35. Торгерсон, В. С. Многомерное масштабирование: I. Теория и метод. Психометрика 17 , 401–419(1952).

    Артикул Google ученый

36. Thurstone, L.L. Многофакторный анализ. Психолог. Ред. 38 , 406–427 (1931).

    Артикул Google ученый

37. Транел, Д., Логан, К.Г., Франк, Р.Дж. и Дамасио, А.Р. Объяснение эффектов, связанных с категориями, при поиске концептуальных и лексических знаний для конкретных объектов: операционализация и анализ факторов. Нейропсихология 35 , 1329–1339 (1997).

    Артикул КАС Google ученый

38. Шепард, Р. Н. и Араби, П. Аддитивная кластеризация: представление сходств в виде комбинаций дискретных перекрывающихся свойств. Психолог. 86 , 87–123 (1979).

    Артикул Google ученый

39. Наварро, Д. Дж. и Ли, М. Д. Общие и отличительные черты сходства стимулов: модифицированная версия контрастной модели. Психон. Бык. Ред. 11 , 961–974 (2004).

    Артикул Google ученый

40. Карлсон, Т. А., Ричи, Дж. Б., Кригескорте, Н., Дурвасула, С. и Ма, Дж. Время реакции для категоризации объектов прогнозируется по репрезентативному расстоянию. Дж. Когн. Неврологи. 26 , 132–142 (2013).

    Артикул Google ученый

41. “>

    Йи, Э. и Томпсон-Шилл, С. Л. Помещение понятий в контекст. Психон. Бык. Ред. 23 , 1015–1027 (2016).

    Артикул Google ученый

42. Чарест И., Киевит Р. А., Шмитц Т. В., Дека Д. и Кригескорте Н. Уникальное семантическое пространство в мозгу каждого смотрящего предсказывает воспринимаемое сходство. Проц. Натл акад. науч. США 111 , 14565–14570 (2014).

    Артикул КАС Google ученый

43. Де Хаас Б., Яковидис А. Л., Шварцкопф Д. С. и Гегенфуртнер К. Р. Индивидуальные различия в визуальной выразительности зависят от семантических параметров. Проц. Натл акад. науч. США 116 , 11687–11692 (2019).

    Google ученый

44. Петерсон, Дж. К., Эббот, Дж. Т. и Гриффитс, Т. Л. Оценка (и улучшение) соответствия между глубокими нейронными сетями и человеческими представлениями. Познан. науч. 42 , 2648–2669 (2018).

    Артикул Google ученый

45. Rajalingham, R. et al. Крупномасштабное сравнение с высоким разрешением основного поведения распознавания визуальных объектов людей, обезьян и современных глубоких искусственных нейронных сетей. J. Neurosci. 38 , 7255–7269 (2018).

    Артикул КАС Google ученый

46. Йозвик, К. М., Кригескорте, Н., Сторрс, К. Р. и Мур, М. Глубокие сверточные нейронные сети превосходят основанные на признаках, но не категориальные модели в объяснении суждений о сходстве объектов. Фронт. Психол. 8 , 1726 (2017).

    Артикул Google ученый

47. Иордан, М. К., Джалланза, Т., Эллис, К. Т., Бекедж, Н. и Коэн, Дж. Д. Контекст имеет значение: восстановление человеческой семантической структуры из анализа машинного обучения крупномасштабных текстовых корпусов. Препринт в arXiv https://arxiv.org/abs/1910.06954 (2019).

48. Bauer, AJ & Just, MA в The Oxford Handbook of Neurolinguistics (под редакцией de Zubicaray, GI & Schiller, NO) 518–547 (Oxford Univ. Press, 2019).

49. Биндер, Дж. Р. и др. На пути к компонентному семантическому представлению на основе мозга. Познан. Нейропсихология. 33 , 130–174 (2016).

    Артикул Google ученый

50. Хут А. Г., Нисимото С., Ву А. Т. и Галлант Дж. Л. Непрерывное семантическое пространство описывает представление тысяч категорий объектов и действий в человеческом мозгу. Нейрон 76 , 1210–1224 (2012).

    Артикул КАС Google ученый

51. Сичи, Р. М., Кригескорте, Н., Йозвик, К. М., ван ден Бош, Дж. Дж. и Чарест, И. Пространственно-временная нейронная динамика, лежащая в основе воспринимаемого сходства объектов реального мира. NeuroImage 194 , 12–24 (2019).

    Артикул Google ученый

52. Бэнксон, Б. Б., Хебарт, М. Н., Гроен, И. И. А. и Бейкер, К. И. Временная эволюция представлений концептуальных объектов, выявленная с помощью моделей поведения, семантики и глубоких нейронных сетей. NeuroImage 178 , 172–182 (2018).

    Артикул КАС Google ученый

53. Чжэн, С.Ю., Перейра, Ф., Бейкер, К.И. и Хебарт, М.Н. Выявление репрезентаций интерпретируемых объектов на основе человеческого поведения. Препринт на arXiv https://arxiv.org/abs/1901.02915 (2019).

54. Абади, М. и др. TensorFlow: система для крупномасштабного машинного обучения. В 12-й симпозиум по проектированию и внедрению операционных систем 265–283 (2016).

55. Кингма, Д. П. и Ба, Дж. Адам: метод стохастической оптимизации. Препринт в arXiv https://arxiv.org/abs/1412.6980 (2015 г.).

Ссылки на скачивание

Благодарности

Мы благодарим А. Корриво за помощь в сборе данных для лабораторного эксперимента, Л. Стоинкси и Дж. Перкуна за помощь в поиске общедоступных изображений для этой публикации, а также И. Чареста. , B. Love, A. Martin и P. McClure за полезные обсуждения и/или комментарии к рукописи. Это исследование было поддержано Программой внутренних исследований Национального института здравоохранения (грант № ZIA-MH-0029).09 и ZIC-MH002968), в соответствии с протоколом клинических исследований Национального института психического здоровья 93-M-1070 (NCT00001360) и грантом исследовательской группы, предоставленным M.N.H. Обществом Макса Планка. Спонсоры не играли никакой роли в дизайне исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Информация об авторе

Авторы и организации

1. Лаборатория мозга и познания, Национальный институт психического здоровья, Национальные институты здоровья, Бетесда, Мэриленд, США

   Martin N. Hebart и Chris I. Baker

2. Группа Vision and Computational Cognition, Институт Макса Планка по когнитивным наукам и наукам о мозге человека, Лейпциг, Германия

   Martin N. Hebart

   Core

3. National Institute Machine Learning of Mental Health, National Institutes of Health, Bethesda, MD, USA

   Charles Y. Zheng & Francisco Pereira

Авторы

1. Martin N. Hebart

   Посмотреть публикации авторов

   Вы также можете искать этого автора в PubMed Google Scholar

2. Charles Y. Zheng

   Просмотр публикаций автора

   Вы также можете искать этого автора в PubMed Google Scholar

3. Francisco Pereira

   Просмотр публикаций автора

   Вы также можете искать этого автора в PubMed Google Scholar

4. Chris I. Baker

   Посмотреть публикации автора

   Вы также можете искать этого автора в PubMed Google Scholar

Contributions

M. N.H. и C.I.B. задумал и спроектировал исследование. М.Н.Х. собрал данные. C.Y.Z., M.N.H. и Ф.П. разработал расчетную модель. M.N.H., C.Y.Z. и Ф.П. проанализировал данные. М.Н.Х., C.I.B., Ф.П. и C.Y.Z. написал рукопись и внес критические исправления.

Автор, ответственный за переписку

Мартин Н. Хебарт.

Заявление об этике

Конкурирующие интересы

Авторы не заявляют об отсутствии конкурирующих интересов.

Дополнительная информация

Информация о рецензировании Главный редактор: Марике Шиффер.

Примечание издателя Springer Nature остается нейтральной в отношении юрисдикционных претензий в опубликованных картах и ​​институциональной принадлежности.

Расширенные данные

Расширенные данные Рис. 1 Воспроизводимость размеров.

Воспроизводимость измерений в выбранном 49-мерном вложении для 20 случайных инициализаций (см. рис. 2 расширенных данных для списка всех меток измерений). Заштрихованные области отражают 95% доверительные интервалы.

Расширенные данные Рис. 2 Метки и облака слов для всех 49 размеров модели.

Ярлыки для всех 49 параметров с соответствующими облаками слов, отражающими частоту имен среди 20 участников. Размеры, по-видимому, отражают как перцептивные, так и концептуальные свойства объектов. Визуальное сравнение между метками и облаками слов указывает в целом на хорошее соответствие между именами участников и метками, которые мы предоставили для измерений.

Расширенные данные Рис. 3 Корреляции категории и типичности.

Подробные результаты логического статистического анализа, связывающие связанные с категориями измерения с типичностью их категории. Односторонние p-значения были получены с использованием тестов рандомизации и контролировались на частоту ложных открытий (FDR) в нескольких тестах. Для дополнения односторонних тестов использовались 90% доверительные интервалы.

Расширенные данные Рис. 4 Производительность и размерность модели в зависимости от размера обучающих данных.

Производительность и размерность модели варьировались в зависимости от объема данных, используемых для обучения модели. Модели обучались поэтапно по 100 000 испытаний. Шесть моделей со случайной инициализацией и случайными подмножествами данных были обучены за шаг, и все модели применялись к тем же тестовым данным, что и в основном тексте, в результате чего всего было обучено 78 моделей. Для каждого шага вычисление до двух моделей не завершалось на вычислительном сервере по техническим причинам, в результате чего общее количество моделей составляло от 4 до 6 на шаг. Результаты для каждой отдельной модели и среднее значение для каждого шага показаны на рисунке. и . Производительность модели уже была высокой для 100 000 испытаний в качестве обучающих данных, но увеличивалась с увеличением количества данных, насыщаяся вокруг окончательной производительности модели. б . Размерность неуклонно увеличивалась с увеличением количества обучающих данных.

Дополнительная информация

Сводка отчетов

Информация о рецензировании

Права и разрешения

Перепечатки и разрешения

Эта статья цитируется 4 9

Об этой статье

0065

• Пять лет природы человеческого поведения

  • Саманта Антуш
  • Аиша Брэдшоу
  • Мэри Элизабет Сазерленд

  Природа Поведение человека (2022)

• Записи ЭЭГ человека для 1854 понятий, представленных в быстрых последовательных потоках визуальных презентаций.

  

• Тейл Грутсвагерс
• Айви Чжоу
• Томас А. Карлсон

Научные данные (2022)

Нейронная настройка и репрезентативная геометрия

• Николаус Кригескорте
• Сюэ-Синь Вэй

Nature Reviews Neuroscience (2021)

Как разум видит мир

• Максимилиан Ризенхубер

Природа Поведение человека (2020)

Проверка гипотез – Обнаружение сходства между объектами (На самом деле, как обосновать сходство объектов в математической форме)

В этой области в сообществе обработки изображений проделана значительная работа. С теоретической точки зрения кажется, что вы хотите вычислить метрику расстояния, которая для двух произвольных последовательностей точек определяет, насколько похожи эти последовательности точек (вершин). Проблема могла бы стать намного проще, если бы у вас было ограниченное количество фигур, с которыми вы пытаетесь сопоставиться, но вы, вероятно, уже рассмотрели эту работу.

Например, существует целый ряд методов для измерения сходства нарисованных фигур, и устройства с сенсорным экраном делают это, чтобы сделать вывод о том, какие действия/буквы и т. д. вы рисуете/запрашиваете. Однако, как правило, алгоритм сопоставления того, какое действие/форма рисуется на устройстве с 3-дюймовым экраном, будет отличаться от алгоритма, используемого на планшете. Признать, что фигура, нарисованная на планшете, похожа на фигуру, нарисованную на смартфоне, сложно из-за изменения масштаба – как вы указываете в своем вопросе. Это можно сделать, и это, по сути, то, что пытается сделать OCR и, в частности, рукописное OCR, и эти методы помогут понять, как решить вашу проблему.

Исходя из того, что я сделал из вашего вопроса, вам определенно нужен перевод, масштабирование и даже произвольная инвариантность аффинного преобразования – это правильно. То есть, даже если одна из фигур повернута на 70 градусов и срезана, вам нужна спичка. Но всегда ли должны совпадать два эллипса? Или разные эллипсы не должны совпадать? Что делать, если на одном из ваших изображений есть два круга. Должны ли они каждый соответствовать другому изображению или другое изображение должно иметь два круга, чтобы соответствовать лучше всего?

С простой точки зрения, предположим, что вам нужно сопоставить только одиночные круги с одиночными эллипсами, тогда вы сможете довольно легко различить эти два класса, найдя евклидову ошибку, используя наиболее подходящие круг и эллипс. Это может быть обобщено на многие другие классы, такие как квадраты, треугольники и т. д., и в этой области много работы по подбору таких последовательностей точек к различным идеализированным формам. В этом случае обратите внимание, что мы не сравниваем две нарисованные фигуры напрямую, а сравниваем каждую с моделью, а затем сравниваем ошибки двух моделей.