跨情境词汇习得中联想学习的最小模型

对物体-词语映射习得的一种解释是跨情境场景下的联想学习。本文给出了一个简单联想学习算法性能的分析结果，该算法仅基于物体与词语之间的共现关系来习得 $N$ 个物体与 $N$ 个词语之间的一一映射。具体而言，我们学习场景中的一次学习试验包含 $C + 1 < N$ 个物体与一个目标词语的呈现，该目标词语指代语境中的某一个物体。我们发现，当 $N$ 个目标词语随机采样时，学习时间呈指数分布，学习速率由 $\ln{[\frac{N(N-1)}{C + (N-1)^{2}}]}$ 给出；当它们遵循确定性呈现序列时，学习速率由 $\frac{1}{N} \ln [\frac{N-1}{C}]$ 给出。这一学习性能远优于人类以及跨情境实验中更现实的学习算法所表现出的性能。我们证明，通过使用韦伯定律引入辨别限制以及遗忘机制，可以将该联想算法的性能降低至人类水平。