Online learning of symbolic concepts

یادگیری مفاهیم نمادین پیچیده نیاز به فضای فرضیه غنی دارد، اما کشف چنین فضاهای غیر قابل قبول است. ما شرح می دهیم که چگونه الگوریتم های نمونه گیری را می توان بر روی این مشکل تحمل کرد، و منجر به پیش بینی می شود که انسان ها همان حالت های شکست را به عنوان الگوریتم های نمونه گیری نمایش خواهند داد. به طور خاص، ما نشان می دهیم که انسان در یک مسیر باغچه گیر کرده است - در ابتدا فرضیه های امیدوار کننده ای است که به سبب داده های بعدی غیر قابل اطمینان است. حساسیت به مسیرهای باغی به در دسترس بودن منابع شناختی حساس است. این پدیده ها به واسطه مدل بیزی که در آن انسان ها به صورت تصادفی یک نماینده مبتنی بر نمونه در پشت فضای فرضیه ترکیب شده را به روز رسانی می کنند، به خوبی توضیح داده شده است. مدل ما یک چارچوبی برای درک صحیح محدودیت را فراهم می کند در یادگیری مفهوم نمادین