主动感知与解耦表示允许持续、情景式零样学习与少量学习

泛化通常被视为机器学习系统的关键属性。然而，也许系统的每个组件都不需要具备泛化能力。为实现泛化而训练的模型在实体或类别边界处产生耦合表示，这可能导致在持续学习或少量学习中需要快速、大幅更新时发生破坏性干扰。虽然存在用于快速学习且不产生干扰的表示技术，但通常无法实现泛化。我们描述了一种补充学习系统 (CLS)，其中快速学习者完全放弃泛化，以换取持续的零样学习和少量学习能力。与大多数 CLS 方法不同，本快速、解耦的学习者不以重放和巩固为主要目的，而是作为并行推理系统运行。通过利用活跃感知系统内的传统慢速统计学习者，快速学习者能够克服观察的变异性和不确定性：由快速学习者提供的情境偏置会诱导慢速学习者将新颖刺激编码为熟悉的、通用的术语，从而实现零样学习和少量学习。该架构表明，快速的、情境驱动的推理可以与慢速的、结构化的泛化共存，为实现稳健的持续学习提供了路径。