任务结构相似性对工作记忆训练迁移效应的影响

个体的工作记忆能力通过训练可以提高,但是,目前对于工作记忆训练的迁移效应尚未有统一的结论。本文通过梳理相关研究,发现训练任务与评估迁移效应任务之间的结构相似性会对迁移效应产生影响。结构相似性即训练任务和未训练任务之间共享加工成分和加工程序,而这个共享加工成分和加工程序能通过发展相似的策略实现工作记忆训练的迁移。今后研究应该更加注意以往研究设计中的不足,针对不同群体的工作记忆训练效果的机制分别进行研究。

相似任务经验和未来时间充裕感对计划失误的影响

本研究检验了人们一种潜在的认知倾向,即低估任务的完成时间。本研究分为2个实验,从两个角度来研究人们低估任务时间的行为。实验一从不同预测方式的角度,检验了任务的相似性和认知需求因素对任务时间估计的影响。实验二从未来时间知觉的角度,检验了未来时间充裕感对任务的完成时间预测的影响。结果表明:不同的时间预测方式都会引起对任务完成/持续时间的低估;任务的相似性会利于任务时间估计的精确性;认知需求因素会和任务的相似性产生交互作用,从而影响任务完成时间的估计;未来时间充裕感的程度也会影响人们对当前任务的预测。

基于机器学习的演化多任务优化框架

演化多任务优化是近年来计算智能领域的研究热点之一,其原理是通过任务间的知识转移提高演化算法同时求解多个任务的效率.由于任务间相似性对促进任务之间的正向知识转移具有重要的影响,因此,如何度量任务间的相似性成为了重点研究方向之一.目前,演化多任务优化在处理两个任务时,辅助任务的选取仅限于两者之一,且在处理超多任务时对任务间知识的转移缺乏灵活性.为此,本文提出一个基于机器学习的演化多任务优化框架,命名为MaTML.该框架联合所有任务关联的子种群形成一个统一的初始化种群,利用目标任务的技能因子及其对应的种群个体分别构建标签和训练集,应用十折交叉法拟合模型,并运用模型预测与目标任务相似的个体以组成辅助种群,从而促进演化优化中的正向知识转移.本文提出的算法能够在动态的种群个体中找到目标任务的辅助种群,不仅可以为三个或以上的多任务优化灵活地选取相似辅助任务,而且解决了当任务数量为两个时有效地选择辅助任务的问题.通过与现阶段的多任务算法和超多任务算法分别在CEC2017问题测试集和WCCI2020SO问题测试集进行比较,实验结果证实MaTML在优化多任务问题时具有更优或竞争性的性能.此外,文中还详细研究了MaTML的计算资源、模型性能、模型稳定性以及相关组件.最后,本文还基于真实问题的测试进一步验证了MaTML的有效性.

多任务学习

随着图像处理,语音识别等人工智能技术的发展,很多学习方法尤其是采用深度学习框架的方法取得了优异的性能,在精度和速度方面有了很大的提升,但随之带来的问题也很明显,这些学习方法如果要获得稳定的学习效果,往往需要使用数量庞大的标注数据进行充分训练,否则就会出现欠拟合的情况而导致学习性能的下降.因此,随着任务复杂程度和数据规模的增加,对人工标注数据的数量和质量也提出了更高的要求,造成了标注成本和难度的增大.同时,单一任务的独立学习往往忽略了来自其它任务的经验信息,致使训练冗余重复和学习资源的浪费,也限制了其性能的提升.为了缓解这些问题,属于迁移学习范畴的多任务学习方法逐渐引起了研究者的重视.与单任务学习只使用单个任务的样本信息不同,多任务学习假设不同任务数据分布之间存在一定的相似性,在此基础上通过共同训练和优化建立任务之间的联系.这种训练模式充分促进任务之间的信息交换并达到了相互学习的目的,尤其是在各自任务样本容量有限的条件下,各个任务可以从其它任务获得一定的启发,借助于学习过程中的信息迁移能间接利用其它任务的数据,从而缓解了对大量标注数据的依赖,也达到了提升各自任务学习性能的目的.在此背景之下,本文首先介绍了相关任务的概念,并按照功能的不同对相关任务的类型进行划分,之后对它们的特点进行了逐一描述.然后,本文按照数据的处理模式和任务关系的建模过程不同将当前的主流算法划分为两大类:结构化多任务学习算法和深度多任务学习算法.其中,结构化多任务学习算法采用线性模型,可以直接针对数据进行结构假设并且使用原有标注特征表述任务关系,同时,又可根据学习对象的不同将其细分为基于任务层面和基于特征层面两种不同结构,每种结构有判别式方法和生成式方法两种实现手段.与结构化多任务学习算法的建模过程不同,深度多任务学习算法利用经过多层特征抽象后的深层次信息进行任务关系描述,通过处理特定网络层中的参数达到信息共享的目的.紧接着,以两大类算法作为主线,本文详细分析了不同建模方法中对任务关系的结构假设、实现途径、各自的优缺点以及方法之间的联系.最后,本文总结了任务之间相似性及其紧密程度的判别依据,并且分析了多任务作用机制的有效性和内在成因,从归纳偏置和动态求解等角度阐述了多任务信息迁移的特点.

微信群中知识贡献中心性形成的前因因素和影响后果:基于调节焦点观点的探讨

微信群是知识传递的重要方式,越来越多的企业开始使用微信群进行内部工作管理。不同于传统知识网络的形成,在微信群中每个人都可能是贡献知识的中心,然而微信工作群还存在种种问题,如成员并非总愿意去贡献知识。如何形成这种知识网络使得人们成为贡献知识的中心,同时将其转化为企业创新绩效,并没有实证研究进行相关探讨。文章基于调节焦点理论,探析了不同目标导向(促进型和防御型)的成员会对知识网络核心的形成有着不同的影响。这种影响并非一成不变的,而是受到任务相似性和任务模糊性的影响。同时,在微信群中形成的知识贡献中心性还将对企业创新绩效起促进作用。文章通过搜集一家大型连锁酒店的5个工作微信群、共116家店长的数据,通过实证研究得到的结果支持了提出的大部分假设。

反馈对知觉类别学习影响:研究现状与展望

类别学习是人类认识世界的一种基本认知活动,反馈是人类进行知觉类别学习不可或缺的重要部分。知觉类别学习的多系统理论为深入研究反馈影响知觉类别学习的认知神经机制提供了很好的理论框架。但是关于类别学习中的反馈问题还存在诸多不一致的结论。通过梳理相关文献,研究认为诸多结果不一致是由于不同性质的反馈作用于特定加工阶段引起的。反馈影响家族相似性类别学习的认知加工机制至少存在类别表征与类别标准形成两个不同的加工阶段,类别表征主要是对类别刺激的知觉,需要运用视觉加工形成刺激表征,而进一步发现规则或建立联结,则为类别标准形成阶段。基于这一构想,探讨反馈内容性与反馈时间性如何影响类别学习的认知加工机制将成为今后的研究主题。