跳到正文
原文
arXiv · Neurons and Cognition· Ines Aitsahalia, Kiyohito Iigaya
· 22 小时前AI 评分48

通过在线推断进行层级潜在结构学习

Hierarchical Latent Structure Learning through Online Inference

预印本 · 尚未经过同行评审

AI 导读

HOLMES 模型结合嵌套中餐馆过程先验与序列蒙特卡洛,实现逐试次在线推断层级潜在结构。

摘要 · AI 翻译

学习系统必须在跨经验的泛化与对任务相关细节的区分之间取得平衡。因此,有效的学习需要能够同时支持二者的表征。在线潜在原因模型支持增量推断,但假设平坦划分;而分层贝叶斯模型能捕捉多层级结构,但通常需要离线推断。我们引入<strong>多尺度经验结构的分层在线学习(HOLMES)模型</strong>,这是一个通过在线推断进行分层潜在结构学习的计算框架。HOLMES 将嵌套中餐馆过程先验的一种变体与序列蒙特卡洛推断相结合,在不对潜在结构进行显式监督的情况下,对分层潜在表征进行可处理的逐试次推断。在模拟中,HOLMES 在匹配平坦模型预测性能的同时,学习到更紧凑的表征,并支持向更高层级潜在类别的一次性反向迁移。在前向迁移任务中,HOLMES 还通过利用在多样训练实例中学到的抽象形状级表征,对具有前所未见特征组合的刺激实现了高于随机水平的结果预测。这些结果为在序列数据中发现分层结构提供了一个可处理的计算框架。

中文由 AI 翻译,仅供参考,以原文为准。

来源:arXiv · Neurons and Cognition · arxiv.org

相关事件

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。