基于海马体架构的无监督单次学习特定实例与泛化类别

既有的单次机器学习实验流程未测试学习或记忆类别特定实例的能力，而这是动物智能的关键特征。区分特定实例对许多现实任务必不可少，例如记住哪个杯子属于自己。类内泛化与区分类内实例的能力相冲突，使得在单一架构中同时实现两种能力颇为困难。我们提出了对标准Omniglot分类-泛化框架的扩展，额外测试单次暴露后区分特定实例的能力，并引入噪声与遮挡退化。学习被定义为分类及回忆训练样本的能力。互补学习系统（CLS）是一种流行的哺乳动物脑区模型，被认为在单次刺激暴露学习中起关键作用。我们创建了CLS的人工神经网络实现，并将其应用于扩展的Omniglot基准。我们的无监督模型在无需领域特定归纳偏置的情况下，于Omniglot分类任务（需泛化）上展现出与现有有监督ANN相当的性能。在扩展的Omniglot实例识别任务上，给定部分遮挡与噪声时，同一模型也显著优于基线最近邻方法。