Ett exempel på tekniker för visuell dataförstärkning som används i maskininlärning, som fångar huvudprincipen för variabilitetseffekter:exponering för variation längs icke-diskriminerande dimensioner (dvs genom att rotera, ändra färgen eller delvis maskera målbilden) förbättrar de neurala nätverken ' förmåga att generalisera (i det här fallet - att identifiera en räv), men till priset av att sakta ner den initiala inlärningen. Människor visar en liknande effekt:mer variabel input är svårare att lära sig, men ökar så småningom vår förmåga att generalisera den kunskap vi lärt oss till nya sammanhang. Detta beror på att variabilitet hjälper till att belysa vilka funktioner i kategorin som faktiskt är relevanta och vilka som inte är det. Kredit:Limor Raviv
Variabilitet är avgörande för att lära sig nya färdigheter. Överväg att lära dig hur man servar i tennis. Ska du alltid träna på att servera från exakt samma plats på banan och sikta på exakt samma plats? Även om träning under mer varierande förhållanden kommer att vara långsammare till en början, kommer det sannolikt att göra dig till en bättre tennisspelare i slutändan. Detta beror på att variabilitet leder till bättre generalisering av det som lärs.
Chihuahua och danskar
Denna princip finns inom många områden, inklusive taluppfattning, grammatik och inlärning av ord och kategorier. Till exempel kommer spädbarn att kämpa för att lära sig kategorin "hund" om de bara utsätts för chihuahuas, istället för många olika sorters hundar (chihuahuas, pudlar och danoisar).
"Det finns över 10 olika namn för denna grundläggande princip", säger MPI:s Limor Raviv, senior utredare för studien publicerad i Trends in Cognitive Sciences . "Att lära sig av mindre varierande input är ofta snabbt, men kan misslyckas med att generalisera till nya stimuli. Men dessa viktiga insikter har inte förenats i ett enda teoretiskt ramverk, vilket har skymt den större bilden."
För att identifiera nyckelmönster och förstå de underliggande principerna för variabilitetseffekter, granskade Raviv och hennes kollegor över 150 studier om variabilitet och generalisering över fält, inklusive datavetenskap, lingvistik, kategorisering, motorisk inlärning, visuell perception och formell utbildning.
Mr. Miyagi
Forskarna upptäckte att det, över studier, finns minst fyra olika typer av variabilitet, såsom uppsättningsstorlek (t.ex. antalet olika exempel eller platser på tennisbanan) och schemaläggning (t.ex. träningsscheman med olika beställningar eller tidsfördröjningar) . "Dessa fyra typer av variation har aldrig direkt jämförts, vilket betyder att vi för närvarande inte vet vilken som är mest effektiv för inlärning", säger Raviv.
Effekten av variabilitet beror på om den är relevant för uppgiften eller inte (förmodligen är färgen på tennisbanan inte relevant för serveringsövningar). Men enligt "Mr. Miyagi-principen" (inspirerad av den klassiska filmen "The Karate Kid" från 1984) kan det faktiskt gynna att lära sig andra färdigheter (som kampsport) att träna till synes orelaterade färdigheter (som att vaxa bilar).
Ett exempel på effekten av exponering för mer eller mindre variation när man lär sig att identifiera hur bokstaven "A" ser ut. Inledande träningsobjekt visas i mittcirkeln på varje panel, och färggradienten symboliserar generaliseringsprestanda:större noggrannhet och/eller säkerhet i vår generalisering representeras av nyanser av gult, medan lägre noggrannhet och/eller säkerhet i vår generalisering representeras av nyanser av blått. Mindre variation under inledande träning (panel A) kan få eleverna att bilda mer konservativa hypoteser om hur bokstaven "A" kan se ut, vilket resulterar i en snävare generalisering till mindre frekventa förekomster av bokstaven "A". Fler varierande exempel under inledande träning (panel B) kommer att resultera i bredare hypoteser/kategorisering, och kommer att göra det möjligt för eleverna att mer exakt och/eller mer säkert klassificera olika instanser av bokstaven "A" som påträffas senare. Kredit:Limor Raviv
Konkurrerande teorier
Men varför påverkar variabilitet inlärning och generalisering? En teori är att mer varierande input kan belysa vilka aspekter av en uppgift som är relevanta och vilka som inte är (färg är användbar för att skilja mellan citroner och limefrukter, men inte för att skilja mellan bilar och lastbilar).
En annan teori är att större variabilitet leder till bredare generaliseringar. This is because variability will represent the real world better, including atypical examples (such as Chihuahuas).
A third reason has to do with the way memory works:when training is variable, learners are forced to actively reconstruct their memories.
Face recognition
"Understanding the impact of variability is important for literally every aspect of our daily life. Beyond affecting the way we learn language, motor skills, and categories, it even has an impact on our social lives," explains Raviv. "For example, face recognition is affected by whether people grew up in a small community (fewer than 1,000 people) or in larger community (more than 30,000 people). Exposure to fewer faces during childhood is associated with diminished face memory."
"We hope this work will spark people's curiosity and generate more work on the topic," concludes Raviv. "Our paper raises a lot of open questions. For example:Is the relationship between variability and learning broadly similar across species, or are there species-specific adaptations? Can we find similar effects of variability beyond the brain, for instance in the immune system?"
