25、基于ACT - R架构的序列学习模型解析

基于ACT - R架构的序列学习模型解析

1. 激活噪声与学习权衡

在学习过程中，激活噪声有着独特的影响。在第二学习阶段，噪声的影响较弱，其主要作用体现在加速第一学习阶段。随着猜测概率的增加，错误概率也会上升。从图7的第一部分可以看出，除了在第10个训练块左右的最大错误时间点外，较高的噪声几乎在整个训练过程中都意味着更高的错误概率。不过，图7的第二部分表明，这些增加的错误概率大多反映了猜测概率的增加。只有在学习的第二部分，对于相同的猜测概率，较高的噪声才会导致略高的错误概率。

这里存在一个权衡，即较高的噪声水平能使初始学习更快，但会导致略高的错误率。标准噪声值0.25似乎是一个不错的折衷方案，但最优值取决于初始性能与长期性能的相对重要性，而这又取决于环境变化的速率。

为了解决这个权衡问题，可以采用可变噪声水平，初始时噪声高以实现快速学习，然后逐渐降低以降低错误率。

2. 序列变化的影响

在现实世界中，序列总是会发生变化，例如天气、语音或股票市场数据等。当对ACT - R模型进行序列变化测试时，先让模型学习标准唯一序列“a b c d” 10个训练块，然后学习另一个唯一但不兼容的序列 “d c b a” 20个训练块，只绘制后20个块的性能图。

对记忆衰减率和激活噪声水平进行敏感性分析，结果如下：
- 记忆衰减率 ：较高的衰减率会使反应时间变慢，但这种差异会随着时间逐渐消失。较高的衰减率还会降低猜测概率，不同衰减率下猜测概率曲线形状不同。低衰减率时，模型在引入新序列后仍不断检索旧序列，这一过程会自我维持，从而在多个训练块中有效阻止新序列的学习；而高衰减率（如0.75）下，