通过语言和代码的概率推理进行归纳和探究

摘要

arXiv:2609.01815v1 Announce Type: new Abstract: How humans grow and maintain abstract knowledge from the sparse, streaming noisy data of experience is a longstanding challenge in cognitive science. An...

and knowledge the computational that Bayesian humans grow data must

2026-09-03 1 阅读约1分钟阅读 Wasu Top Piriyakulkij, Sam Acquaviva, Cassidy Langenfeld, Joshua Tenenbaum, Kevin Ellis

arXiv:2609.01815v1 公告类型：新摘要：人类如何从稀疏、流式噪声的经验数据中增长和维护抽象知识是认知科学中长期存在的挑战。任何计算帐户都必须至少满足三个要求：它必须（1）数据效率和计算效率，（2）捕获不确定性的等级以支持智能查询和信息收集，以及（3）足够灵活以在心理上代表人们可以学习和思考的无限范围的概念。在这里，我们介绍了一种捕获这三个属性的计算模型，通过将符号知识编码为将自然语言与源代码相结合的心理程序，并使用法学硕士引导的贝叶斯学习算法顺序推断心理程序。在一系列行为研究中，该模型成功地再现了人类归纳学习和主动探究的定量特征，例如锚定、花园路径和其他效果。相比之下，纯法学硕士和经典贝叶斯模型要么无法完成基本任务，要么无法重现人类行为，要么仅在计算成本过高的情况下才能成功。这些结果表明，人类不断增长知识的一种方式是在心理上提出许多跨越语言和程序表示的假设，然后修改这些假设以近似贝叶斯更新，而自下而上的神经机制（法学硕士）使推理变得易于处理和学习。

订阅66必读