【斯坦福大学博士论文】用于学习和转换任务表示的计算框架，A computational framework for learning and transforming task representations，166页pdf

主题： A computational framework for learning and transforming task representations

摘要： 本文首先回顾了关于认知灵活性的文献，以及在构建更灵活的人工智能系统方面的最新进展。作者提供了这些文献的综述，并概述了他认为仍然存在的挑战。作者特别关注基于零任务（即没有任何数据）的新任务适应新任务的能力，该任务基于它们与先前任务的关系。为了应对这一挑战，作者提出了一个通用的计算框架，用于根据新任务与先前任务的关系来适应新任务。该框架基于元映射，即转换基本任务的高阶任务。以同音元映射架构的形式提出了该框架的简约实现。作者将在从回归到图像分类和强化学习的各种任务和计算范例中演示该框架。作者将人类的适应能力和基于语言的零任务执行方法进行了比较。作者成功地展示了元映射，即使新任务直接与先前的经验相矛盾，通常在一项新任务上也能达到80-90％的性能。作者进一步证明，以这种适应为起点可以极大地加速以后对某项任务的学习，并将掌握过程中所犯的错误减少近一个数量级。因此，作者建议元映射可以为适应新任务提供计算基础，并为有效学习提供起点。因此，本文为建立更好的认知模型和更灵活的人工智能系统提供了框架。最后一章回顾了这项工作对有关智力必要的计算原理的持续讨论所做出的更广泛的贡献，并强调了从理解数学认知到神经科学的未来可能方向。