- 4 次围观
传递推理（transitive inference, TI）是指对一个有序项目集合中的传递关系进行推理的能力（例如，若 A>B 且 B>C，则 A>C）。人们普遍认为，TI 依赖于对这些项目的序列（等级）顺序形成一种线性表征。在学习过程中，这种排序是通过何种计算机制构建的？它又是如何被用于做出符合传递性的选择的？本文采取一种极简主义方法，将最小二乘估计（least-squares estimation, LSE）应用于一种常用于检验人类和动物 TI 的序列学习任务。在这一表述中，LSE 计算出一个线性分类器，将任务条件映射到行为结果上。该算法并未对传递性或序列顺序作出任何显式假设，但却复现了 TI 的关键经验特征；即超出训练集进行泛化的能力，以及表现准确率中的符号距离效应（symbolic distance effect, SDE）。将该分类器应用于单个项目时，会产生一种内部排序的等级表征，而泛化和 SDE 都由此自然涌现。该方法还给出了一种决策机制，即以差分运算的形式，从任意一对项目中选择正确项目。这些发现将 TI 重新界定为一个线性分类问题，并对传递推理所需认知机制的传统假设提出了挑战。
在持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。 保留所有权利。未经许可不得转载。
返回顶部
上一篇
下一篇
发布于 2026 年 6 月 28 日。
下载 PDF
电子邮件
感谢您帮助传播 bioRxiv 的内容。
您的电子邮件
*
您的姓名
*
发送给
*
请输入多个地址，每行一个，或以逗号分隔。
您将要发送电子邮件的内容如下
作为线性分类的传递推理
邮件主题
（您的姓名）已从 bioRxiv 转发一个页面给您
邮件正文
（您的姓名）认为您可能希望查看 bioRxiv 网站上的此页面。
您的个人留言
验证码
此问题用于测试您是否为人类访问者，并防止自动垃圾信息提交。
分享
作为线性分类的传递推理
Vincent P Ferrera， Samuel Lippl， Kenneth Kay， Fabian Munoz， Yuhao Jin， Greg Jensen， Herbert Terrace
bioRxiv 2026.06.24.734346； doi： https://doi.org/10.64898/2026.06.24.734346
分享本文：
复制
引文工具
作为线性分类的传递推理
Vincent P Ferrera， Samuel Lippl， Kenneth Kay， Fabian Munoz， Yuhao Jin， Greg Jensen， Herbert Terrace
bioRxiv 2026.06.24.734346； doi： https://doi.org/10.64898/2026.06.24.734346
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.24.734346v1?rss=1
🏷️ 传递推理 线性分类 最小二乘估计 序列学习 符号距离效应
来源出处