更多的可变性有助于学习

感知的一个基本问题是从高度可变的环境中过滤掉相关信息。众所周知，视觉系统通过学习哪些信息是恒定的来实现这一点。例如，我们始终将狗识别为狗，即使我们的观点发生变化或它穿着狗外套。这种泛化过程提高了感知性能，称为感知学习。直到现在，环境的巨大变化如何影响这个学习过程还不清楚。

“在我们的研究中，我们想找出视觉系统如何应对可变性的挑战并仍然实现高学习性能，”该研究的第一作者 Giorgio Manenti 说。“以前，人们认为可变刺激主要影响视觉学习。然而，这种可变性也可以成为学习的一大优势，因为它可以促进泛化，将学习到的行为应用于新的刺激。这还没有被证明视觉感知学习。”

研究人员基于两个假设进行研究。在泛化策略中，学习依赖于忽略不重要刺激的神经元。因此，在任意球主罚者的例子中，他们只处理关于射门的信息，而不是不同的射门角度或到球门的距离。这些神经元通常处于感觉处理的更高阶段。在专业化策略中，学习通过神经元进行操作，这些神经元与任务相关和无关的特征密切相关。这些神经元可以为手头的任务提供高度准确的信息。在这样做时，他们分别处理每条信息。结果，任务执行非常准确，但没有出现泛化，并且每个新任务都需要新的、以前未经训练的神经元来处理刺激。

在这项研究中，四组受试者接受了检测线条图案方向的微小差异的训练。相关任务是检测线的顺时针或逆时针斜率。对于两组中的每一组，行数在实验过程中都发生了变化。这是无关紧要的刺激。

Giorgio Manenti 解释说：“我们发现，在训练期间改变行数可以更好地概括实际任务表现。” “受试者仍然能够识别线条图案方向的差异，即使线条数量发生变化。即使在屏幕上显示全新的线条图案或新位置，他们也能够执行任务在训练期间没有出现。因此，变异性的增加并没有导致学习过程恶化，而是泛化甚至提高了学习表现。

人工深度神经网络训练程序的计算机模拟证实了泛化策略猜想。DPZ and Neural Circuits 感知与可塑性研究小组负责人 Caspar Schwiedrzik 说：“总的来说，这项研究表明，训练的类型会影响大脑的学习策略，从而也可能影响大脑中学习发生的位置。” ENI 的认知小组，总结工作。“你也可以说视觉训练类似于足球的训练原则。在这两种情况下，训练中更多的可变性可以更好地迎接新的挑战。”