O'rganish tizimlari tubdan qarama-qarshilikka duch keladi: ular tajribalar bo'ylab umumlashtirishi, shu bilan birga vazifaga tegishli tafsilotlarni ajrata olishi kerak. HOLMES (Hierarchical Online Learning of Multiscale Experience Structure) deb nomlangan yangi hisoblash modeli miya bu muammoni sinovdan-sinovga ichki kategoriyalarni shakllantirish orqali qanday hal qilishini ko'rsatadi.
Tadqiqot
Kaliforniya Texnologiya Instituti tadqiqotchilari Ines Aitsahalia va Kiyohito Iigaya o'z natijalarini arXiv'da (q-bio.NC, 2026-yil mart, 2026-yil iyulda qayta ko'rilgan) e'lon qildilar. Ular bitta model onlayn yashirin sabab modellarining bosqichma-bosqich yangilanishini ierarxik Bayes modellarining ko'p darajali tuzilmasi bilan birlashtira oladimi, deb so'rashdi.
HOLMES ichki Xitoy restorani jarayoni priorining bir variantini ketma-ket Monte-Karlo inferensiyasi bilan birlashtiradi. Bu modelga ierarxik yashirin tasvirlar ustida sinovdan-sinovga amalga oshiriladigan inferensiyani bajarish imkonini beradi — yashirin tuzilma haqida hech qanday aniq nazoratsiz. Boshqacha qilib aytganda, u ma'lumotlar oqimi davomida kategoriyalar va subkategoriyalarni o'zi kashf etadi.
Simulyatsiyalarda HOLMES tekis modellarning bashorat qilish samaradorligiga erishdi, shu bilan birga yanada ixcham tasvirlarni o'rgandi. Keyin u bir martalik orqaga transferni namoyish etdi: yangi yuqori darajali kategoriyani o'rganganidan so'ng, u qo'shimcha o'qitishsiz darhol shu kategoriyaga tegishli namunalarni taniy oldi. Oldinga transfer vazifasida HOLMES hech qachon ko'rilmagan xususiyat kombinatsiyalariga ega stimullar uchun tasodifdan yuqori natija bashoratiga erishdi. U buni turli xil o'qitish namunalari bo'ylab o'rganilgan mavhum shakl darajasidagi tasvirlardan foydalanish orqali amalga oshirdi.
Maqola to'rtta asosiy va beshta qo'shimcha raqamni o'z ichiga oladi. Mualliflar inson namunasi hajmini ko'rsatmaydilar, chunki ish hisoblash xarakteriga ega, ammo simulyatsiyalar modelning imkoniyatlari uchun kontseptsiyani isbotlovchi dalillarni taqdim etadi.
Nima uchun bu muhim
Sizning miyangiz doimo HOLMES hal qiladigan bir xil muammoga duch keladi: siz yangi ob'ektga duch kelasiz va u ma'lum kategoriyaga tegishlimi yoki yangisiga loyiqmi, deb qaror qilishingiz kerak. An'anaviy modellar yo sekin yangilanadi va ierarxik noziklikni o'tkazib yuboradi, yoki real vaqt tajribasiga moslasha olmaydigan oflayn qayta ishlashni talab qiladi.
HOLMES ierarxik tuzilmani onlayn, o'qituvchisiz o'rganish mumkinligini ko'rsatadi. Bu odamlarning mavhum tushunchalarni qanday shakllantirishini tushunish uchun oqibatlarga ega — masalan, chumchuq va burgutning ikkalasi ham qushlarning kengroq kategoriyasiga tegishli ekanligini tan olish, hatto siz ilgari burgutni ko'rmagan bo'lsangiz ham. Bu, shuningdek, noldan qayta o'qitmasdan yangi ma'lumotlarga moslashadigan yanada moslashuvchan sun'iy intellekt tizimlariga ishora qiladi.
Nima qilishingiz mumkin
O'zingizning ierarxik o'rganishingizni mashq qilish uchun yangi ma'lumotlarga duch kelganingizda ularni kategoriyalashga harakat qiling. Yangi faktni o'rganganingizda, so'rang: bu qaysi kengroq kategoriyaga tegishli? Uni boshqa a'zolardan nima ajratib turadi? Bu oddiy odat HOLMES modellashtiradigan bir xil moslashuvchan, ko'p darajali tasvirni mustahkamlaydi. Shuningdek, bitta yangi misolni o'rganganingizdan so'ng yuqori darajali tushunchani ataylab eslab, bir martalik transferni mashq qilishingiz mumkin — masalan, yangi hayvon haqida o'qiganingizdan so'ng, darhol uning sinfidagi boshqa hayvonlarni o'ylab ko'ring.
Manba: arXiv q-bio.NC
O'z miyangizga qiziqasizmi? Bepul adaptiv IQ testini topshiring yoki 306 ta miya mashqi darajasini sinab ko'ring.