Обучающиеся системы сталкиваются с фундаментальным противоречием: они должны обобщать опыт, но при этом различать детали, важные для задачи. Новая вычислительная модель под названием HOLMES (Hierarchical Online Learning of Multiscale Experience Structure) показывает, как мозг может решать эту проблему, выстраивая вложенные категории на лету, проба за пробой.
Исследование
Инес Айтсахалия и Киёхито Иигая, исследователи из Калифорнийского технологического института, опубликовали свои результаты на arXiv (q-bio.NC, март 2026 г., пересмотрено в июле 2026 г.). Они задались вопросом, может ли единая модель объединить инкрементальное обновление онлайн-моделей латентных причин с многоуровневой структурой иерархических байесовских моделей.
HOLMES объединяет вариацию априорного распределения вложенного процесса китайского ресторана с последовательным выводом методом Монте-Карло. Это позволяет модели выполнять вычислительно осуществимый вывод по пробам над иерархическими латентными представлениями — без какого-либо явного обучения о латентной структуре. Иными словами, она самостоятельно обнаруживает категории и подкатегории по мере поступления данных.
В симуляциях HOLMES соответствовала прогностической эффективности плоских моделей, обучаясь при этом более компактным представлениям. Затем она продемонстрировала одноразовый обратный перенос: после изучения новой категории высокого уровня она могла немедленно распознавать экземпляры, принадлежащие к этой категории, без дополнительного обучения. В задаче прямого переноса HOLMES достигла точности предсказания исхода выше случайной для стимулов с никогда ранее не встречавшимися комбинациями признаков. Она сделала это, используя абстрактные представления на уровне формы, изученные на разнообразных тренировочных примерах.
Статья включает четыре основных рисунка и пять дополнительных. Авторы не сообщают о размере выборки людей, поскольку работа является вычислительной, но симуляции предоставляют доказательство концепции возможностей модели.
Почему это важно
Ваш мозг постоянно сталкивается с той же задачей, которую решает HOLMES: вы встречаете новый объект и должны решить, принадлежит ли он к известной категории или заслуживает новой. Традиционные модели либо обновляются медленно и упускают иерархические нюансы, либо требуют офлайн-обработки, которая не успевает за опытом в реальном времени.
HOLMES предполагает, что иерархическую структуру можно изучать онлайн, без учителя. Это имеет значение для понимания того, как люди формируют абстрактные понятия — например, осознание того, что воробей и орёл оба принадлежат к более широкой категории птиц, даже если вы никогда раньше не видели орла. Это также указывает на более гибкие системы искусственного интеллекта, которые адаптируются к новым данным без переобучения с нуля.
Что вы можете сделать
Чтобы тренировать собственное иерархическое обучение, попробуйте категоризировать новую информацию по мере её поступления. Когда вы узнаёте новый факт, спросите себя: к какой более широкой категории он относится? Что отличает его от других представителей? Эта простая привычка укрепляет тот же тип гибкого многоуровневого представления, который моделирует HOLMES. Вы также можете практиковать одноразовый перенос, сознательно вспоминая концепцию высокого уровня после изучения одного нового примера — например, прочитав о новом животном, сразу подумайте о других животных его класса.
Источник: arXiv q-bio.NC
Любопытно узнать о собственном мозге? Пройдите наш бесплатный адаптивный тест IQ или попробуйте 306 уровней тренировки мозга.