在潜在原因的神经网络模型中协调共享信息与情境特定信息
神经元与认知
2024-06-10 v3 人工智能
摘要
已有研究提出，在处理事件流时，人类会根据推断的潜在原因将经验进行划分，以支持依赖于情境的学习。然而，当不同情境间存在共享结构时，如何同时实现潜在原因的“划分”与共享结构的学习仍不清楚。在此，我们提出了潜在原因网络，一个用于潜在原因推断的神经网络模型。通过学习，它自然地将跨任务共享的结构存储在网络权重中。此外，它使用一个由贝叶斯非参数推断算法控制的情境模块来表示情境特定结构，该算法为每个推断的潜在原因分配一个唯一的情境向量。在三项模拟中，我们发现 LCNet 能够：1）在函数学习任务中提取跨潜在原因的共享结构，同时避免灾难性干扰；2）捕捉关于图式学习中课程效应的人类数据；3）在处理日常事件的自然视频时推断底层事件结构。总体而言，这些结果证明了一种在计算上可行的、在潜在原因模型中协调共享结构与情境特定结构的方法，且该方法可从实验室实验环境扩展至自然环境。
引用
@article{arxiv.2312.08519,
title = {Reconciling Shared versus Context-Specific Information in a Neural Network Model of Latent Causes},
author = {Qihong Lu and Tan T. Nguyen and Qiong Zhang and Uri Hasson and Thomas L. Griffiths and Jeffrey M. Zacks and Samuel J. Gershman and Kenneth A. Norman},
journal= {arXiv preprint arXiv:2312.08519},
year = {2024}
}