学习不完整信息 - 及其数学结构
摘要：学习和学会的能力是发展和进化过程中的重要因素[1]。根据层次的不同，学习的复杂性会有很大差异。虽然联想学习可以解释简单的学习行为[1,2]，但在复杂的学习任务中似乎涉及到更复杂的策略。这在机器学习理论中尤为明显[3]（强化学习[4]，统计学习[5]），但在尝试建模自然学习行为时同样可见[2]。神经网络（NN）范式为建模具有统计学相关性的学习过程提供了一个通用的设置。这对于自然的经验学习情境尤其有趣。NN学习模型可以融入基于神经生理类比的基本学习机制，如赫布规则，并得出关于学习过程动态的定量结果[6]。然而，赫布规则并不适用于所有情况，在现实问题中特别是在"延迟强化"这样的问题上，算法的复杂性会迅速增加[4,6]。我们在这里提出的模型可以处理这类非平凡的任务，同时仍然是基于自然思维的基本程序，而没有涉及任何高级策略[7]。我们可以展示出该模型在许多非常不同的情境中提供良好的学习能力[7,8,9]。因此，它可能有助于理解学习的一些基本特征。
作者：Reimer Kuehn and Ion-Olimpiu Stamatescu
论文ID：q-bio/0608023
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2007-05-23