bioRxiv 神经科学· Gupta, M. W., Taylor, J. A. ·· 7 天前AI 评分44
相同动作,不同技能:情境如何塑造人类与神经网络的学习
Same Movements, Different Skills: How Context Shapes Learning in Humans and Neural Networks
AI 导读
预印本报告,在相同序列跨情境训练的循环网络与交替练习相同手指序列的人类中,改变情境可使相同动作成为不同技能。网络的分裂在强情境输入与高初始权重尺度同时出现时最大,单独任一因素均不足;人类也呈现情境特定的学习曲线,而非单一连续轨迹,状态空间建模支持分裂学习状态。
- 背景
- 经验在什么条件下会被整合进共享表征、在什么条件下会被拆成各自独立的表征,是学习与泛化研究的核心问题。运动技能学习提供了一个能把条件分离出来的检验场景:当两个任务要求完全相同的动作序列时,直觉和理论都预期,在一个任务上的练习应当迁移到另一个任务。本文检验的正是这一预期是否成立——动作序列一字不差,只改变任务所处的背景,学到的还会是同一个技能吗。这个问题指向技能迁移的边界条件:通常泛化失败会被归因于动作或任务本身的差异,而这里要考察的是,动作不变时,背景本身是否足以造成分裂。
- 做法
- 工作分计算建模与人类行为实验两条线。模型侧使用简单循环网络(simple recurrent networks),在多个背景下训练同一段序列,并操纵两个因素——上下文输入的强度与初始权重尺度,观察在哪种组合下表征分裂最大;分裂的判定依据是表征分离程度是否与按背景分开的学习曲线同步出现。人类侧让被试练习同一段手指序列,一组在单一背景中练习,另一组在两个与表现无关(performance-irrelevant)的背景之间交替;比较两条学习曲线的形状是单一连续轨迹,还是按背景分开。数据分析用状态空间模型(state-space modeling)拟合人类学习过程,比较不同状态结构假设的支持程度,并对上下文依赖性不同的网络估计状态之间的耦合强度。摘要未报告被试人数、网络数量、训练轮次或具体超参数。
- 结论
- 结果分四层。模型层面:同一序列在不同背景下训练时,分裂在强上下文输入与高初始权重尺度同时出现时最大,两个因素单独出现都不足以达到这一程度。表征与行为的关系:表征分离程度更大的网络,同时表现出按背景分开的学习曲线,即表征层面的分裂与行为层面的分裂同时发生。人类层面:在两个与表现无关的背景之间交替练习同一段手指序列,同样出现了背景特异的学习曲线,而不是单一背景下练习时看到的那条连续轨迹。模型拟合:状态空间建模对人类数据的拟合更支持分裂的学习状态;在上下文依赖性最强的网络中,各状态之间只有非常弱的耦合。核心断言由此成立——相同的动作可以因为背景改变而成为不同的技能。摘要未给出样本量、效应量与统计检验值。
- 机制
- 原文对「为什么」的解释停在条件层面:分裂需要两个条件同时满足,即足够强的上下文输入与足够大的初始权重尺度,任一条单独出现都不够。作者把这一条件结构与表征层面的观察连起来——表征分离程度与行为上按背景分开的曲线是同步出现的;状态空间模型则把人类的这种分裂刻画为彼此分离的学习状态,把最依赖上下文的网络刻画为耦合极弱的状态。至于两个条件为何必须同时具备、其间的因果链条如何,摘要没有进一步展开。
- 意义
- 结果把泛化问题从动作层面挪到了背景层面:动作序列相同并不保证学到的是同一个技能,练习能否迁移还取决于背景是否被编码进表征。这给出一个可操作的边界条件——只控制动作序列不足以让两个任务共享同一技能,实验设计与训练方案中背景是需要显式处理的变量。作者自己把意义落在理解学习如何跨背景泛化上;摘要未与具体同类工作做量化比较。
本页是 AI 精读,不转载论文原文;完整论文(含方法、图表与参考文献)见原文
来源:bioRxiv 神经科学 · biorxiv.org