arXiv q-bio.NC（Neurons and Cognition）·· 10 小时前AI 评分45
人类与神经网络中的几何推理与代数推理
Geometric and algebraic inference in humans and neural networks
AI 导读
研究将人类从有限数据中做推断的策略形式化为几何推理与代数推理，并在传递性推理任务中识别出两者的相反特征。几何策略逐步塑造表征几何以反映关系结构，使后续推断成本更低；代数策略灵活关注上下文中的新关系，但推断时需额外计算。人类、从头训练的神经网络和大型语言模型的多项实验均显示这两种特征，对神经网络的因果干预表明二者分别依赖表征几何与选择性注意机制。
AI 要点
团队
第一作者 Jacob Russin，末位作者 Michael J. Frank，共 4 位作者；J. Russin、J. Kim 为共同第一作者，E. Pavlick、M. J. Frank 为共同资深作者。
主要结果
在人类、从头训练的神经网络和大语言模型中均观察到几何与代数两种策略的对立特征；对神经网络做因果干预显示，两种策略分别依赖表征几何与选择性注意机制。
解决什么问题
形式化“几何推断”与“代数推断”两种策略，刻画各自的计算权衡及出现条件，并调和强调表征几何与强调代数操作的两类认知灵活性观点。
方法
以传递性推断为任务范式，在人类被试、从头训练的神经网络和大语言模型上开展多项实验，并对神经网络进行因果干预。
局限
从研究设计看，结论主要基于传递性推断这一任务范式，人类实验的具体样本量原文摘要未给出。
AI 依据原文整理，未经人工核对。
来源：arXiv q-bio.NC（Neurons and Cognition） · arxiv.org