- 3 次围观
神经科学关于学习的理论与许多实验中所观察到的学习速度之间存在鸿沟。自20世纪50年代的认知革命以来，组合性在弥合这一鸿沟的努力中一直发挥着核心作用。粗略而言，组合系统是指一种将不同模块按照一组规则加以组合，以完成复杂任务的系统。近年来，在理解生物神经系统和人工神经系统中模块的涌现方面，已经取得了显著进展。然而，这些系统如何以及在何种条件下表征模块重组的规则，仍然是一个悬而未决的问题。在这里，我们提出了一个能够利用这些规则来显著加快学习速度的神经模型。 我们首先表明，当模型面对多个共享子成分的任务时，会学习到一种低维表征，用以捕捉这些子成分如何在任务集合中被重复利用。这些低维空间编码了支配模块应如何重新组合的结构。将学习限制在这些子空间内，能够大幅减少获得一项新任务所需的经验量，即使是在单次试验的强化反馈下进行学习也是如此。在某些情况下，我们还可以利用这些表征的几何规律性，将学习简化为对一小组离散点进行假设检验的一种形式。最后，我们利用这一理论对非人灵长类动物执行组合性任务时的行为数据和神经数据进行了建模，并表明，这些数据中的关键特征与一种模型相一致：即学习过程中的探索被限制在这些低维空间之中。总体而言，这项工作表明，当模型能够表征模块重用的结构时，神经系统中模块化所带来的优势可以得到显著增强。这两种特征协同作用，使学习能够在与生物智能相近的时间尺度上发生，从而为这种快速而灵活的行为如何从神经元系统中涌现提供了一个模型。
Peter Latham 的 ORCID 记录
摘要
信息/历史
指标
补充材料
预览 PDF
摘要
神经科学中的学习理论与许多实验中观察到的学习速度之间存在差距。自20世纪50年代的认知革命以来，组合性在弥合这一差距的努力中一直发挥着核心作用。粗略地说，组合系统是指这样一种系统：其中不同的模块按照一组规则进行组合，以完成复杂任务。近年来，在理解生物和人工神经系统中模块的涌现方面已取得显著进展。然而，这些系统如何以及在何种条件下表征模块重组的规则，仍是一个悬而未决的问题。在这里，我们提出了一个神经模型，该模型能够利用这些规则以显著加快学习速度。我们首先表明，当面对多个共享子成分的任务时，模型会学习到一种低维表征，该表征捕捉了子成分如何在任务集合中被重复利用。这些低维空间编码了支配模块应如何重新组合的结构。将学习限制在这些子空间内，可大幅减少掌握新任务所需的经验量，即使是在单次试验中通过强化进行学习的情况下也是如此。在某些情况下，我们可以利用这些表征的几何规律性，将学习简化为在一小组离散点上进行的一种假设检验。最后，我们利用这一理论对执行组合任务的非人灵长类动物的行为和神经数据进行建模，并表明这些数据中的关键特征与一种模型相一致：该模型中学习期间的探索被限制在这些低维空间内。总体而言，这项工作表明，当模型能够表征模块复用的结构时，神经系统中模块化的优势可以得到极大提升。这两个特征协同作用，使学习发生在与生物智能相近的时间尺度上，从而为此类快速、适应性行为如何从神经元系统中涌现提供了一个模型。
利益冲突声明
已声明资助信息
Gatsby 慈善基金会， https://ror.org/0290hax27 GAT3850，GAT4058
瑞士国家科学基金会，10.004.051
版权
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。
本文依据 CC-BY-ND 4.0 国际许可协议提供。
返回顶部
上一篇
下一篇
发布于 2026年7月15日。
下载 PDF
补充材料
电子邮件
感谢您有意传播 bioRxiv 的内容。
您的电子邮件
*
您的姓名
*
发送至
*
请输入多个地址，每行一个，或用逗号分隔。
您将发送以下内容的邮件
《结构性组合促进超快速学习》
邮件主题
（您的姓名）已向您转发 bioRxiv 上的一个页面
邮件正文
（您的姓名）认为您可能希望查看 bioRxiv 网站上的这个页面。
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
结构性组合促进超快速学习
Reidar Riveland， Alexandre Pouget， Peter Latham
bioRxiv 2026.07.14.738142； doi： https://doi.org/10.64898/2026.07.14.738142
分享本文：
复制
引用工具
结构性组合促进超快速学习
Reidar Riveland， Alexandre Pouget， Peter Latham
bioRxiv 2026.07.14.738142； doi： https://doi.org/10.64898/2026.07.14.738142
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.14.738142v1?rss=1
🏷️ 组合性学习 超快速学习 低维表征 模块重组 强化学习 灵长类神经建模