解决算法“失忆”可以帮助理解我们如何学习

发现算法可以更有效地学习和保留信息如何提供潜在的洞察大脑吸收新知识的能力。加利福尼亚大学的研究人员发现,欧文学院生物科学可以帮助打击认知障碍和改善技术。他们的研究发表在美国国家科学院院刊》上。

科学家专注于人工神经网络,称为人工神经网络,设计算法来模拟大脑神经元的行为。像人类思想,人工神经网络可以吸收和大量的分类信息。不同于我们的大脑,但是,网络往往忘记他们已经知道什么新鲜知识介绍得太快,这一现象被称为灾难性的遗忘。

研究人员一直认为我们学习新概念的能力源于大脑的海马和皮层之间的相互作用。海马体捕获新鲜的信息和回放在休息和睡眠。大脑皮层抓住新材料和评论其现有的知识因此可以交错,或层,新鲜的材料为相似的类别由过去。

然而,有一些问题关于这个过程,考虑到过度的时间需要大脑整理整个一生期间收集的信息。这陷阱可以解释为什么ann失去长期的知识吸收新数据时太快。

传统上,深机器学习中使用的解决方案是重新训练网络的整个过去的数据集,是否它是密切相关的新信息,一个非常费时的过程。UCI的科学家们决定研究这个问题在更大的深度和一个引人注目的发现。

“我们发现,当网络交叉更小的子集的旧信息,包括主要项目,类似于他们获得的新知识,他们学会了不忘记他们已经知道,“研究生Rajat Saxena说,论文的第一作者。Saxena项目援助从贾斯汀Shobe牵头,项目助理科学家。两个实验室的成员,布鲁斯·McNaughton特聘教授的神经生物学和行为。

“它允许网络采取新鲜信息的高效,无需审查他们之前获得的一切,“Saxena说。“这些发现表明大脑机制为什么专家们可以在这个领域学习新事物比常人快多少。如果大脑已经有了一个认知框架相关的新信息,新材料可以吸收更快,因为只需要更改的部分大脑的网络编码的专家知识。”

发现潜在的应对认知问题,根据McNaughton。“理解背后的机制学习进步是至关重要的,”他说。“这让我们洞察大脑不工作时发生了什么他们应该的方式。我们可以制定培训策略的人记忆问题从老化或脑损伤。它也可能导致操纵大脑回路的能力所以人们可以克服这些赤字。”

研究结果提供了可能性使算法在医学诊断等机器设备,自动汽车和许多其他人更精确和有效的。

参考:年代axena顾磊杰(Rajat, Shobe贾斯汀L。McNaughton布鲁斯·l .学习在深层神经网络和大脑similarity-weighted交叉学习。Proc。国家的。学会科学。119 (27):e2115229119。2022;doi:10.1073 / pnas.2115229119

本文从以下转载材料。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。