効率的な抽象化のための帰納的バイアスとしてのリレーショナルボトルネック

認知科学の中心的な課題は、限られた経験から抽象的な概念がどのように獲得されるかを説明することです。これはしばしば、コネクショニストと象徴的な認知モデルの間の二分法の観点から組み立てられています。ここでは、リレーショナルボトルネックと呼ばれる誘導性バイアスを利用することにより、これらのアプローチの新しい和解を示唆する最近の出現ラインを強調しています。そのアプローチでは、ニューラルネットワークは、個々の入力の属性ではなく、知覚入力間の関係に焦点を当てるために、アーキテクチャを介して制約されます。このアプローチを採用して抽象化をデータ効率の良い方法で誘導するモデルのファミリーをレビューし、人間の心と脳における抽象的な概念の獲得の候補モデルとしての潜在的なモデルを強調します。

A central challenge for cognitive science is to explain how abstract concepts are acquired from limited experience. This has often been framed in terms of a dichotomy between connectionist and symbolic cognitive models. Here, we highlight a recently emerging line of work that suggests a novel reconciliation of these approaches, by exploiting an inductive bias that we term the relational bottleneck. In that approach, neural networks are constrained via their architecture to focus on relations between perceptual inputs, rather than the attributes of individual inputs. We review a family of models that employ this approach to induce abstractions in a data-efficient manner, emphasizing their potential as candidate models for the acquisition of abstract concepts in the human mind and brain.