婴儿认知学习所带来的启发，也许是下一代无监督机器学习的关键

减少对经过整理的标记数据集的依赖，并利用大量未标记数据的愿望，引发了对无监督（或自我监督）学习算法的新兴趣。尽管由于诸如识别解开的潜在表示、对比学习和聚类优化等方法而提高了性能，但无监督机器学习仍然没有达到其作为实现一般智能系统的突破性范式的假设潜力。

认知（神经）科学的灵感主要基于能够接触标签和大量先验知识的成年学习者。为了推动无监督机器学习的发展，都柏林圣三一大学（Trinity College Dublin）的研究人员认为婴儿认知的发展科学可能是开启下一代无监督学习方法的关键。

该团队确定了影响婴儿学习质量和学习速度的三个关键因素，（1）婴儿的信息处理受到引导和约束；（2）婴儿正在从多样化、多模式的输入中学习；（3）婴儿的输入是由发展和主动学习塑造的。

同时评估了这些来自婴儿学习的见解在机器学习中已经被利用的程度，检查了这些实现与核心见解的相似程度，并提出了进一步采用这些因素如何在无监督学习中提高以前看不见的性能水平。

该研究以「 Lessons from infant learning for unsupervised machine learning」为题，于 2022 年 6 月 22 日发布在《 Nature Machine Intelligence》。

论文链接： https://www.nature.com/articles/s42256-022-00488-2

相关报道： https://techxplore.com/news/2022-06-babies-key-artificial-intelligence.html