费曼学习法,为什么是有效的?

现尝试把费曼学习法作为一个数学优化问题,分析其做了哪些有效性优化,以及这些优化为什么有效。
优化目标:
1. 大脑神经元建立对相关知识的表征回路
2. 增强目标的神经连接的强度
输入:
学习材料,已有神经网络结构
输出:
新的神经结构
求解器:
费曼学习法

已知价值函数 / 神经学知识:
1)要接纳一个概念,神经细胞需要在现有神经网络的基础上创建物理性连接。
2)知识的基础是神经元连接。神经元连接在使用当中,增强连接强度。 使用包括回忆,联想,类比等

费曼学习法解决了如何高效创建有效的神经连接:
1. 从系统论/系统反馈角度看。费曼学习法迭已有表述,替换为更精准描述的过程,对应迭代建构神经连接的过程。从系统设计看,引入了目标导向的高效的反馈回路,以终为始。这样的反馈系统,在系统控制中大量采用。特别是残差反馈的概念,一直是高性能系统的典型模块。
从计算视角看。完备,精准的认知是想一次到位创建,相当于要求解析解,这几乎不可能。多次迭代创建可以指数级降低认知难度。
2. 从信息论的角度。我想也可以管它叫奥卡姆剃刀学习法。 因为它采用的是最小化信息增量地建构神经结构。我们的大脑可以真正建立一个全局一致的,更简洁,更一通百通的神经连接连接表示。
这是因为费曼学习法试图使用类比等方法,用最简单易懂的内容来解释学习新知识。
最简单易懂的内容,等同于高频使用,因而等同于神经连接的鲁棒性。也就是说,表示这些信息的神经元会有更广泛得多的突触连接,连接的强度也更高。因而尝试把目标神经连接和这些已有的网络相连接,具有更好的硬件基础。
另外,总是倾向把新连接建立在高频连接之上,也符合贝叶斯学习法则。(用信念接纳证据,用证据更新信念)。这也就是爱因斯坦说的,Out of clutter, find simplicity. From discord, find harmony.

费曼学习法解决了记忆保持的问题 / 增强新建的神经连接的强度。
1. 大脑对内容的使用预期,特别是长期的使用预期,可以极大的决定海马体工作方式,提升长期记忆表现。 对知识长期使用的心理预期,可以把练习时间减半(1)。
测试的数据表明,通过主动学习,6个月后可以保持70%的记忆。作为对照,传统被动学习法中,6个月中后保持10%的记忆。记忆效果提高了7倍。[2]

[1] Ericsson,A. & Robert Pool Peak: Secrets from the New Science of Expertise

[2] Fergus I.M. Craik, Robert S. Lockhart,Levels of processing: A framework for memory research,

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注