类别学习中的特征、对齐与监督：基于儿童与神经网络的比较方法
计算机视觉与模式识别
2026-02-04 v1 机器学习
摘要
理解人类和机器如何从稀疏数据学习是认知科学和机器学习的核心问题。采用物种公平设计，我们比较了儿童和卷积神经网络 (CNN) 在few-shot 半监督类别学习任务中的表现。两种学习者在相同的条件下接触新的对象类别。学习者接收标记和未标记示例的混合物，同时我们变化监督 (1/3/6 个标签)、目标特征 (大小、形状、图案) 和感知对齐 (高/低)。我们发现儿童从最少的标签快速泛化，但表现出强烈的特征特定偏见和对对齐的敏感性。CNN 的互动轮廓不同：额外的监督会改善性能，但对齐和特征结构都会影响额外监督对学习的影响。这些结果表明，人类-模型比较必须在恰当的条件下进行，强调监督、特征结构和对齐之间的相互作用，而非总体准确率。
关键词
引用
@article{arxiv.2602.03124,
title = {Feature, Alignment, and Supervision in Category Learning: A Comparative Approach with Children and Neural Networks},
author = {Fanxiao Wani Qiu and Oscar Leong},
journal= {arXiv preprint arXiv:2602.03124},
year = {2026}
}