Adaptive generalization and efficient learning under uncertainty

doi:10.1016/j.isci.2026.117210

Adaptive generalization and efficient learning under uncertainty

2026-08-18

0

OA

AI

DOI：10.1016/j.isci.2026.117210

原文链接

原文求助

摘要

En 中文

人们常利用可识别特征来推断新型消费品的内在价值。这种“泛化”策略在稳定环境中已知具有益处，个体可利用先前习得的规则与价值高效探索新情境。然而，个体在信息过时的高变环境中是否以及如何调整其泛化策略尚不明确。我们假设个体通过持续更新对基于特征奖励泛化模型可信度的信念，以适应性使用泛化策略。研究数据表明，当新环境与先前习得的“特征-奖励”单调关联保持一致时，参与者更频繁地使用泛化，提示对先前知识的有效利用。与其它理论解释不同，我们发现个体在基于特征的值泛化与模型驱动学习间融入了权衡机制，以应对环境波动性。值得注意的是，所提模型捕捉到泛化对情境波动性的差异化影响：高度偏向泛化的个体在特征导向的值泛化情境下学习误差最小，但在高变环境中误差最大。本研究为泛化策略的适应性应用提供了新见解，阐明了通过监测可信度来协调两种不同学习机制的作用，并突显了在高变情境中过度泛化的潜在负面影响。

Keyword:

learning

adaptive generalization

feature similarity

volatility

computational modeling

Biological sciences

neuroscience

Adaptive generalization and efficient learning under uncertainty

摘要

期刊

机构

引用论文