针对深度学习的“失忆症”，科学家提出基于相似性加权交错学习

本文介绍了神经科学和机器学习的进一步发展。

与人类不同，人工神经网络在学习新事物时会迅速遗忘先前学到的信息，必须通过新旧信息的交错来重新训练；但是，交错全部旧信息非常耗时，并且可能没有必要。只交错与新信息有实质相似性的旧信息可能就足够了。

近日，美国科学院院报（PNAS）刊登了一篇论文，“Learning in deep neural networks and brains with similarity-weighted interleaved learning”，由加拿大皇家学会会士、知名神经科学家 Bruce McNaughton 的团队发表。他们的工作发现，通过将旧信息与新信息进行相似性加权交错训练，深度网络可以快速学习新事物，不仅降低了遗忘率，而且使用的数据量大幅减少。

论文作者还作出一个假设：通过跟踪最近活跃的神经元和神经动力学吸引子（attractor dynamics）的持续兴奋性轨迹，可以在大脑中实现相似性加权交错。这些发现可能会促进神经科学和机器学习的进一步发展。

研究背景

了解大脑如何终身学习仍然是一项长期挑战。 在人工神经网络（ANN）中，过快地整合新信息会产生灾难性干扰，即先前获得的知识突然丢失。互补学习系统理论 (Complementary Learning Systems Theory，CLST) 表明，通过将新记忆与现有知识交错，新记忆可以逐渐融入新皮质。 CLST指出，大脑依赖于互补的学习系统：海马体 (HC) 用于快速获取新记忆，新皮层 (NC) 用于将新数据逐渐整合到与上下文无关的结构化知识中。在“离线期间”，例如睡眠和安静的清醒休息期间，HC触发回放最近在NC中的经历，而NC自发地检索和交错现有类别的表征。交错回放允许以梯度下降的方式逐步调整NC突触权重，以创建与上下文无关的类别表征，从而优雅地整合新记忆并克服灾难性干扰。许多研究已经成功地使用交错回放实现了神经网络的终身学习。 然而，在实践中应用CLST时，有两个重要问题亟待解决。首先，当大脑无法访问所有旧数据时，如何进行全面的信息交错呢？一种可能的解决方案是“伪排练”，其中随机输入可以引发内部表征的生成式回放，而无需显式访问先前学习的示例。类吸引子动力学可能使大脑完成“伪排练”，但“伪排练”的内容尚未明确。因此，第二个问题是，每进行新的学习活动之后，大脑是否有充足的时间交织所有先前学习的信息。 相似性加权交错学习（Similarity-Weighted Interleaved Learning，SWIL）算法被认为是第二个问题的解决方案，这表明仅交错与新信息具有实质表征相似性的旧信息可能就足够了。实证行为研究表明，高度一致的新信息可以快速整合到NC结构化知识中，几乎没有干扰。这表明整合新信息的速度取决于其与先验知识的一致性。受此行为结果的启发，并通过重新检查先前获得的类别之间的灾难性干扰分布，McClelland等人证明SWIL可以在具有两个上义词类别（例如，“水果”是“苹果”和“香蕉”的上义词）的简单数据集中，每个epoch使用少于2.5倍的数据量学习新信息，实现了与在全部数据上训练网络相同的性能。然而，研究人员在使用更复杂的数据集时并没有发现类似的效果，这引发了对该算法可扩展性的担忧。 实验表明，深度非线性人工神经网络可以通过仅交错与新信息共享大量表征相似性的旧信息子集来学习新信息。通过使用SWIL算法，ANN能够以相似的精度水平和最小的干扰快速学习新信息，同时使用的每个时期呈现的旧信息量少之又少，这意味着数据利用率高且可以快速学习。 同时，SWIL也可应用于序列学习框架。此外，学习一种新类别可以极大地提高数据利用率 。如果旧信息与之前学习过的类别有着非常少的相似性，那么呈现的旧信息数量就会少得多，这很可能是人类学习的实际情况。 最后，作者提出了一个关于SWIL如何在大脑中实现的理论模型，其兴奋性偏差与新信息的重叠成正比。