功能组合结构的终身机器学习
将组合学习和终身学习结合,提出一种通用的处理流相关任务的终身组合学习框架,包括两个阶段:学习如何更好地组合现有组件以同化新问题和学习如何适应现有组件集以容纳新问题。
Jul, 2020
本文提出了一种基于神经模块的组成式学习方式,探讨了在连续强化学习模型下的可重复利用子问题解决方案,并且通过离线重放经验保持表现以加速未来任务学习的累积神经组件复合持续强化学习方法。
Jul, 2022
在研究中,我们通过探索人类和神经网络模型在学习和推理组合函数方面的能力,发现人类能够在不同的交互条件下对视觉函数组合进行零样本泛化,比较同一任务中的神经网络模型发现,通过元学习组合性(MLC)方法,标准序列到序列的转换器能够模仿人类在函数组合中的泛化模式。
Mar, 2024
综述了有关计算模型和认知研究中的组合学习的文献,并连接了认知和语言模型在组合推理中面临的计算挑战。概述了形式定义、任务、评估基准、各种计算模型和理论发现,并介绍了大型语言模型的现代研究,以深入了解尖端人工智能模型展示的组合能力,并指出了未来研究的重要方向。
Jun, 2024
人工智能中的大型语言模型和深度神经网络通过学习组合性处理和元学习的方式,展示了复杂的认知行为,为人类认知研究提供了新的视角和可能性。
May, 2024
介绍了一种广泛适用的形式主义,即组合问题图,以解决机器学习中不利于推广的问题,提出了组合泛化问题并引入组合递归学习器,该框架适用于学习算法过程以组合表示转换,从而产生能够进行推理的学习器。
Jul, 2018
本篇论文从识别可表达性学习出发,将组合性视为数据生成过程的属性而非数据本身,并提出了仅取决于训练分布和模型架构的轻微条件,为组合泛化建立了理论框架,并验证了其应用于现实世界场景的结论,从而为组合泛化的原则性理论研究铺平了道路。
Jul, 2023
人类的组合能力和语言学习技能具有高度的可塑性,能够从很少的示例中学习和使用新的功能概念,可以以超出提供的演示方式进行组合。研究了人们解决任务时的假设和归纳偏差,揭示了三个偏差:互斥性、一对一映射和图标级联。该研究显示了机器学习与人类语言学习的巨大差异,并探讨了制定更加类似于人类的机器学习算法的潜在手段。
Jan, 2019
该研究介绍了一个名为 ConceptWorld 的环境,用于生成通过逻辑领域特定语言定义的构成和关系概念的图像。研究测试了标准神经网络和关系网络的泛化能力,并提出了一个潜在的基准模型,以鼓励在构成和关系领域有效泛化的模型的发展。
Jun, 2020