Mar, 2024

蜘蛛网：一种人类类别学习的增量和分层模型

PDF
TL;DRCobweb 是一种类似于人类的类别学习系统，通过使用类别效用度量构建具有层级组织的认知树状结构。该研究证明了 Cobweb 能够捕捉到基层、典型性和粉丝效应等心理效应，从而填补了之前对 Cobweb 作为人类类别学习模型的综合评估的缺失。同时，它还探索了 Cobweb 在一个模型中能够同时表现出示例和原型化学习的灵活性。这些发现为进一步研究 Cobweb 作为人类类别学习的综合模型奠定了基础。
cobwebcategory learning systemhierarchical cognitive structurespsychological effectshuman categorization
发现论文，激发创造
  • 卷积蛛网：从 2D 图像中增量学习的模型

    本文介绍了一种新的概念形成方法，可支持增量学习和预测视觉图像的标签，该方法结合了计算机视觉研究中的卷积图像处理概念和基于心理学研究的概念形成方法。我们将其应用于 MNIST 数字识别任务，并将其性能与不支持卷积处理的 Cobweb 概念形成方法以及两种卷积神经网络进行比较。

    Jan, 2022

  • 利用人类_概念形成避免视觉分类中的灾难性遗忘

    该研究提出了 Cobweb4V，一种新颖的视觉分类方法，通过借鉴人类逐步学习新概念的方式，有效地学习视觉概念而不会出现灾难性遗忘效应，与人类认知的学习策略相符，是一种有前景的神经网络方法替代方案。

    Feb, 2024

  • 降维后的人类分类的理性模型

    提出了一种层次混合概率主成分的理性分类模型，可以同时学习类别表示和经济有效的特征集，捕捉人类分类中的维度偏差并支持零样本学习，通过模拟和行为实验进行了验证。

    May, 2023

  • 利用生成深度学习和增材制造建模设计异质分层仿生蜘蛛网结构

    我们使用深度学习模型基于关键几何参数来建模和合成人工的、仿生的三维蛛网结构，生成的模型能成功地构建满足设计目标的图形并大规模地将其组装成不同形态的结构。

    Apr, 2023

  • 基于脑灵感的计算模型用于类人概念学习

    概念学习是人类认知的基本方面，与分类、推理、记忆和决策等心理过程密切相关。通过研究计算神经科学和认知心理学的发现，本文发现大脑对概念的表示依赖于多感官表示和文本派生表示两个关键组成部分，并通过语义控制系统协调这两种表示，最终实现概念的获取。借鉴这一机制，本研究基于脉冲神经网络开发了一种人类类似的概念学习计算模型，有效应对多样化来源和不平衡维度的概念表示所带来的挑战，并成功获得了类似人类认知的概念表示。类似概念的测试表明，我们的模型模拟了人类学习概念的方式，得到了与人类认知密切吻合的表示结果。

    Jan, 2024

  • 蜘蛛：一种用于上下文相关概念理解的统一框架

    提出了一个单一模型 Spider，用于理解和区分不同的强依赖上下文概念，以准确捕捉指示器的意图，并在 8 个不同的依赖上下文分割任务以及连续学习方面显现明显的优势。

    May, 2024

  • 对含噪网络数据的类别级监督学习

    本文提出了一种利用变分自编码器（VAE）和类别级别监督来处理网络数据的方法，并在三个基准数据集上进行了实验证明其有效性。

    Mar, 2018

  • 电子商务搜索中的层次化查询分类

    通过增强的表示学习和细粒度实例关系的对比损失，以及关注内在标签分类法的细粒度层次分类损失，我们提出了一种新颖的框架来解决层次化查询分类的挑战，同时利用与已标注查询共享的无标签查询的相似性智能地选择这些查询以提高分类性能。实验证明，我们的方法优于专有的 Amazon 数据集上的最先进方法，并与 Web of Science 和 RCV1-V2 的公共数据集中的最先进方法相媲美，这些结果凸显了我们提出解决方案的有效性，并为下一代层次感知查询分类系统铺平了道路。

    Mar, 2024

  • 学习空间和时间的层次结构：多房间迷宫环境中的层次化主动推理导航

    介绍了一种层次感知模型，结合认知地图、空间感知和位置运动，通过基于像素的观察推断出环境结构，并能在迷你格环境中进行高效探索和目标导向搜索。

    Sep, 2023

  • 在多房间迷宫环境中推断层次结构

    研究提出了一个分层主动推断模型，以应对从基于像素的观察中推断世界结构的挑战，其中包含认知地图，客体 / 自体世界模型和目标导向行为，能够在基于房间的小型网格环境中实现高效的探索和目标导向搜索。

    Jun, 2023