【牛津大学博士论文】面向持续任务性能的表示学习，218页pdf

人类具有持续学习而不忘记的非凡能力，并使自己的行为适应不断变化的环境要求。虽然以前的工作集中在阐明灵活的依赖于上下文的信息处理的基础机制，但对信息在人脑中表示的格式以及这如何促进持续的任务表现知之甚少。本论文的目的是为依赖上下文的处理开发计算信息的表示学习理论，并在健康人类参与者的行为和神经成像记录中测试这些理论。

通过一系列神经网络模拟、行为和神经成像研究，以及对从macaque FEF录制的免费可用数据集的重新分析，我收集了支持早期认知控制理论的证据，该理论假设，前额叶皮质实施了有利于任务相关而非任务无关信息的门控策略，以服务于特定上下文的任务目标。在第3章中，我提出了一个计算框架，用于研究人工神经网络的上下文相关决策的表示学习，并演示了相同的架构如何学习高维和任务无关的表示，或低维和任务特定的表示。在第4章中，我在学习执行类似的上下文依赖决策任务的人类参与者的fMRI记录中测试了这些模拟的预测，发现额顶叶区域的表示是高度特定于任务的，不同任务的相关信息映射到正交编码轴上。在第5章中，我将介绍一个人类持续学习的模型，其中门控信号是通过一个简单的Hebbian机制学习的。最后，在第6章中，我测试了之前报告的blocked相比于泛化到抽象规则的交叉训练的好处，以及它们是否促进了跨域迁移。本文介绍了持续表示学习的计算理论，并提供了人类大脑使用门控策略在特定上下文的子空间中表示相关信息的经验证据。