Теория вычислительного обучения (CoLT) — это раздел теоретической информатики, связанный с математическим анализом машинного обучения. Многие ранние идеи в этой области черпают вдохновение из человеческого обучения. Эта область превратилась в очень строгую, математическую и точную науку, но я не видел, чтобы она широко использовалась непосредственно в когнитивных науках. Есть некоторая косвенная польза за счет взаимодействия CoLT со статистикой и алгоритмами машинного обучения (скажем, анализ нейронных сетей через VC-dimension ).
Есть ли примеры строгого использования/применения CoLT для построения теорий в психологии, неврологии и/или когнитивной науке?
Единственные два примера, с которыми я знаком, это:
Теорема Голда о необучаемости в пределе некоторых наборов языков, в том числе и контекстно-свободных.
Магистерская диссертация Рональда де Вольфа о невозможности изучения контекстно-свободных языков с помощью PAC .
Первый вызвал переполох в дебатах о бедности стимулов , а второй остался незамеченным когнитивной наукой.
Меня интересуют подходы в этом духе. Мне относительно комфортно с CoLT, поскольку он изучается в области математики, и меня интересуют (для этого вопроса) только подходы, которые имеют прямое отношение к теориям познания/обучения человека/животных, а не классические результаты машинного обучения. Я ищу общие математические и асимптотические подходы , а не запуск определенных типов алгоритмов (будь то нейронные сети, байесовские или другие) для моделирования человеческой деятельности, как это типично для вычислительного моделирования в Cogsci (с которым я относительно знаком) .
Меня не интересуют аргументы, которые пытаются тривиально подорвать весь подход, даже если они имеют эмпирическую достоверность. Например, весь подход можно разрушить, утверждая, что человеческий мозг конечен и, следовательно, асимптотические аргументы бесполезны. Это то же самое, что утверждать, что вся теория вычислительной сложности бессмысленна, потому что компьютеры (и вся вселенная, если уж на то пошло) конечны. Это верный эмпирический аргумент, но скучный с точки зрения построения теории.
С этим связано несколько работ по интеграции или неинтеграции вычислительных моделей в целом в когнитивную науку. Например, тезис о управляемом познании в основном утверждает, что мы можем улучшить когнитивное моделирование, если ограничим когнитивные модели теми, которые легко реализуемы на машине Тьюринга.
Ван Ройдж, И. 2008. Тезис о легком познании. Когнитивная наука 32:939-984. http://staff.science.uva.nl/~szymanik/papers/TractableCognition.pdf
Лично я не согласен с тезисом управляемого познания и думаю, как и Коупленд, что лучшей моделью будет машина Oracle:
Коупленд, Дж. 1998. О-машины Тьюринга, Сирл, Пенроуз и мозг. Анализ 58(2):128-138.
Моя собственная работа продвигается вперед в этом отношении и предлагает, как О-машины могут быть специально интегрированы в когнитивную психологию. Я делаю презентацию по этому вопросу здесь, и материалы будут опубликованы в следующем году, но напишите мне, и я могу предоставить черновик, если хотите.
В последнее время байесовские модели когнитивного развития оказались очень успешными, по крайней мере, в формулировании рабочих гипотез относительно того, как абстрактное знание «упорядочивается» и направляет обучение и рассуждения на основе разрозненных данных. Я имел в виду, например, следующую статью:
Артем Казначчеев