知识卡片：卷积神经网络中的联想情感学习

一句话结论
本研究提出了一种结合卷积神经网络和巴甫洛夫学习范式的视觉效价处理模型，成功复现了人类联想学习中的联结形成与泛化行为，并验证了模型与人类实验数据的一致性。

事件概述或研究问题
联想情感学习是生物体将愉悦或厌恶结果与预测性刺激建立联系的能力。传统计算模型（如Rescorla-Wagner模型）在解释神经数据方面存在局限。本文探索使用深度神经网络建模视觉效价（情绪的核心维度）的联想学习过程。

方法/产品要点

• 构建双模块深度神经网络：视觉模块编码复杂自然场景，效价模块识别场景的情绪意义（效价）。
• 设计新颖的巴甫洛夫学习范式进行训练。
• 模型通过学习使条件刺激（CS）与非条件刺激（US）的神经表征在单单元和群体水平上逐渐对齐。

主要结果或产业意义

• 模型成功复现了人类联想学习研究的多个观察结果，包括联结形成和泛化。
• 模型与人类实验数据的比较进一步验证了方法的有效性。
• 研究表明，深度神经网络结合适当的学习算法可以模拟联想情绪/效价学习的行为和神经特征。

为什么重要
该工作将深度神经网络应用于情感计算和认知建模领域，提供了一种超越传统解析模型的工具，可桥接神经科学与人工智能。相比已有卡片（均不涉及情感学习或联想学习），本卡片首次聚焦于神经网络模拟情绪联想过程。

局限与不确定性

• 本文仅基于arXiv摘要，未见完整正文，具体网络架构细节、训练超参数、对比基线等待核实。
• 模型泛化能力是否适用于更复杂或现实的情感场景（如社会性情绪）待核实。
• 人类实验数据的比较样本量、实验设计等细节待核实。

可用于图书/PPT/简报的角度

• 示例角度：AI如何学会“害怕”——用神经网络模拟巴甫洛夫的条件反射。
• 跨学科融合：将深度学习与经典心理学实验范式（巴甫洛夫条件反射）结合。
• 情感计算的未来：可解释性情感模型的发展方向。

原始材料

• 英文标题：Associative Emotional Learning in Convolutional Neural Networks
• 英文关键词：associative emotional learning; convolutional neural networks; valence; Pavlovian conditioning; computational modeling
• 来源：arXiv:2607.19327v1
• URL: https://arxiv.org/abs/2607.19327v1