arXiv ID:
2604.21909
arXiv 提交日期: 2026-04-23
方向性混淆通过率-失真几何揭示人类与机器视觉中不同的归纳偏差 / Directional Confusions Reveal Divergent Inductive Biases Through Rate-Distortion Geometry in Human and Machine Vision
1️⃣ 一句话总结
这篇论文通过分析人类和深度视觉模型在图像分类中犯错的“方向性”差异(即谁被错认成谁),发现仅看正确率无法捕捉到的内在学习偏好,并引入率-失真几何框架(含斜率、曲率和效率三个指标)来量化这些偏差,结果显示人类具有广泛而温和的混淆模式,而模型则表现出稀疏且强烈的错误倾向,且鲁棒训练无法让模型的偏差模式接近人类。