Системи навчання стикаються з фундаментальною суперечністю: вони повинні узагальнювати досвід, але водночас розрізняти деталі, важливі для завдання. Нова обчислювальна модель під назвою HOLMES (Hierarchical Online Learning of Multiscale Experience Structure — ієрархічне онлайн-навчання багатомасштабної структури досвіду) показує, як мозок може вирішити цю проблему, створюючи вкладені категорії на льоту, спроба за спробою.
Дослідження
Інес Айтсахалія та Кійохіто Іїгая, дослідники з Каліфорнійського технологічного інституту, опублікували свої висновки на arXiv (q-bio.NC, березень 2026 р., переглянуто в липні 2026 р.). Вони запитали, чи може єдина модель поєднати інкрементальне оновлення онлайн-моделей латентних причин з багаторівневою структурою ієрархічних байєсівських моделей.
HOLMES поєднує варіацію апріорного розподілу вкладеного китайського ресторанного процесу з послідовним висновком Монте-Карло. Це дозволяє моделі виконувати обчислювально здійсненний висновок спроба за спробою над ієрархічними латентними представленнями — без будь-якого явного нагляду щодо латентної структури. Іншими словами, вона самостійно виявляє категорії та підкатегорії в міру надходження даних.
У симуляціях HOLMES досягла прогностичної продуктивності плоских моделей, водночас навчаючись більш компактним представленням. Потім вона продемонструвала одноразове зворотне перенесення: після вивчення нової категорії високого рівня вона могла негайно розпізнавати екземпляри, що належать до цієї категорії, без додаткового навчання. У завданні прямого перенесення HOLMES досягла прогнозування результатів вище випадкового рівня для стимулів із ніколи раніше не баченими комбінаціями ознак. Вона зробила це, використовуючи абстрактні представлення на рівні форми, вивчені на різноманітних тренувальних екземплярах.
Стаття містить чотири основні рисунки та п'ять додаткових рисунків. Автори не повідомляють про розмір вибірки людей, оскільки робота є обчислювальною, але симуляції дають доказ концепції можливостей моделі.
Чому це важливо
Ваш мозок постійно стикається з тим самим завданням, яке вирішує HOLMES: ви зустрічаєте новий об'єкт і повинні вирішити, чи належить він до відомої категорії, чи заслуговує на нову. Традиційні моделі або оновлюються повільно й пропускають ієрархічні нюанси, або вимагають офлайн-обробки, яка не встигає за досвідом у реальному часі.
HOLMES припускає, що ієрархічну структуру можна вивчати онлайн, без учителя. Це має наслідки для розуміння того, як люди формують абстрактні поняття — наприклад, визнають, що горобець і орел належать до ширшої категорії птахів, навіть якщо ви ніколи раніше не бачили орла. Це також указує на більш гнучкі системи штучного інтелекту, які адаптуються до нових даних без перенавчання з нуля.
Що ви можете зробити
Щоб тренувати власне ієрархічне навчання, спробуйте категоризувати нову інформацію, коли з нею стикаєтеся. Коли ви дізнаєтеся новий факт, запитайте: до якої ширшої категорії він належить? Що відрізняє його від інших членів? Ця проста звичка зміцнює той самий тип гнучкого багаторівневого представлення, який моделює HOLMES. Ви також можете практикувати одноразове перенесення, свідомо згадуючи концепцію високого рівня після вивчення одного нового прикладу — наприклад, прочитавши про нову тварину, негайно подумайте про інших тварин у її класі.
Джерело: arXiv q-bio.NC
Цікаво дізнатися про власний мозок? Пройдіть наш безкоштовний адаптивний тест IQ або спробуйте 306 рівнів тренування мозку.