迈向更灵活的思维语言：每次概念暴露后的贝叶斯语法更新
人工智能
2020-04-29 v2
摘要
最近关于人类概念学习的方法成功地将符号性、无限产生式规则系统的力量与统计学习相结合，以解释我们从少数例子中学习新概念的能力。这些研究大多旨在揭示构成这些表征的底层语言，并为思维提供一般性基础。然而，描述一个训练后固定的思维模型与大量表明经验如何塑造概念学习的文献相悖。在这里，我们探讨这些符号描述语言的可塑性。我们进行了一项概念学习实验，表明人类可以通过将频繁使用的表达式编译为语言的新符号，非常迅速地改变他们用于识别概念的符号库。概念学习时间的模式由一个贝叶斯智能体准确描述，该智能体根据新表达式在压缩概念方面的有用程度，理性地更新编译新表达式的概率。通过将思维语言描绘为一个灵活的规则系统，我们也强调了在经验上确定它的困难。
引用
@article{arxiv.1805.06924,
title = {Towards a more flexible Language of Thought: Bayesian grammar updates after each concept exposure},
author = {Pablo Tano and Sergio Romano and Mariano Sigman and Alejo Salles and Santiago Figueira},
journal= {arXiv preprint arXiv:1805.06924},
year = {2020}
}