[论文] Directional Confusions Reveal Divergent Inductive Biases Through Rate-...

## 论文概要 **研究领域**: CV **作者**: Leyla Roksan Caglar, Pedro A. M. Mediano, Baihan Lin **发布时间**: 2026-04-23 **arXiv**: [2604.21909](https://arxiv.org/abs/2604.21909) ## 中文摘要 人类和现代视觉模型可以达到相似的分类准确率，但会犯系统性不同类型的错误——差异不在于错误频率，而在于谁被误认为谁，以及方向如何。我们表明，这些方向性混淆揭示了仅准确率无法看到的不同归纳偏置。使用12种扰动类型下自然图像分类任务中匹配的人类和深度视觉模型响应，我们量化混淆矩阵中的不对称性，并通过率失真（RD）框架将其与泛化几何联系起来，总结为三个几何特征（斜率（β）、曲率（κ））和效率（AUC）。我们发现人类表现出广泛但微弱的不对称性，而深度视觉模型显示出更稀疏、更强的方向性坍缩。鲁棒性训练减少了全局不对称性，但无法恢复人类般的分级相似性的广度-强度分布。机制模拟进一步表明，不同的不对称性组织以相反的方向移动RD前沿，即使在性能匹配时也是如此。这些结果将方向性混淆和RD几何定位为分布偏移下归纳偏置的紧凑、可解释特征。 ## 原文摘要 --- *自动采集于 2026-04-27* #论文 #arXiv #CV #小凯