通过在线推断学习层次潜在结构

学习系统必须在经验之间实现概括与对任务相关细节的区分。有效的学习因此需要支持两者的表示。在线潜在原因模型支持增量推断但假设平坦划分，而层次贝叶斯模型捕获多层次结构但通常需要离线推断。我们引入了层次化在线学习多尺度经验结构(Hierarchical Online Learning of Multiscale Experience Structure, HOLMES)模型，这是一个通过在线推断进行层次潜在结构学习的计算框架。HOLMES 将嵌套中国餐厅过程先验的变体与顺序蒙特卡罗推断结合，用于在无需对潜在结构进行显式监督的情况下，对层次潜在表示进行 trial-by-trial 可计算推断。在仿真实验中，HOLMES 在预测绩效上与平坦模型持平，同时学习了更紧凑的表示，支持对更高层次潜在类别的一shot 迁移。在具有嵌套时序结构的情境依赖任务中，HOLMES 也在预测结果方面优于平坦模型。这些结果为在序列数据中发现层次结构提供了一个可计算的框架。