.png){kind=icon}
返回
Humans learn generalizable representations through efficient coding
.png){kind=icon}
OA
AI
DOI：10.1038/s41467-025-58848-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
强化学习理论将人类行为解释为由最大化奖励的目标所驱动。然而，传统方法在解释人们如何从过往经验泛化到新情境方面提供的见解有限。在此，我们提出通过整合高效编码原则来完善经典强化学习框架，该原则强调使用最简必要表征来最大化奖励。这一完善后的框架预测，受限于更简单表征的智能体将不可避免地：1）将环境刺激提炼为更少、更抽象的内部状态，以及2）检测并利用环境中的奖励性特征。因此，复杂刺激被映射为紧凑的表征，从而为泛化奠定基础。我们通过两项考察人类泛化的实验检验了这一观点。研究发现，尽管传统模型在泛化方面表现不足，但整合了高效编码的模型达到了人类水平的表现。我们主张，结合高效编码的古典RL目标，代表了一个更全面的计算框架，用于理解人类在学习与泛化中的行为。
Keyword:
GANGLIA MEMORY-SYSTEMS
ACQUIRED EQUIVALENCE
NEURAL SIGNATURE
UNIVERSAL LAW
REINFORCEMENT
STATISTICS
PREDICTION
ATTENTION
KNOWLEDGE
期刊
IF:
15.7
论文数:
9.3W
被引数:
91.2W
机构
暂无机构信息
引用论文
Resource-rational analysis: Understanding human cognition as the optimal use of limited computational resources资源理性分析: 将人类认知理解为有限计算资源的最佳使用
.png){kind=icon}
PREAI
分享收藏分享收藏EFFECTS OF WITHIN‐CLASS DIFFERENCES IN SAMPLE RESPONDING ON ACQUIRED SAMPLE EQUIVALENCE样本反应的班级内差异对习得样本等价的影响
OAAI
OAAI分享收藏
查看更多内容