تجذبنا قدرات البشر والحيوانات، فضلًا عن نماذج التعلم الآلي الحديثة، في التعلم السريع للسلوكيات المعقدة وتعميمها على مواقف جديدة. لكنها ليست بهذه السهولة دائمًا. فكيف تتعامل أنظمة التعلم مع القواعد العامة والاستثناءات التي قد تظهر في البيئات المعقدة؟

في دراسة جديدة، تم تقديم نظرية رياضية ثورية تحاول تحليل هذا التوازن بين التعلم العام والتذكر للمعلومات الاستثنائية. إذ تُبرز الدراسة أهمية تطوير مهام تجريبية جديدة تتحدى نماذج التعلم وتساعد على استكشاف هذه الديناميكيات.

الباحثون قدموا مهمة مبتكرة تُسمى الاستدلال المتعدي مع الاستثناءات، التي تتيح اختبار قدرة النماذج في تعميم القاعدة العلائقية مع تذكر الاستثناءات. وتمكن الباحثون من وصف سلوك نموذج بسيط للتعلم يعتمد على الشبكات العصبية، يُعرف باسم (kernel ridge regression)، من خلال مجموعة واسعة من المعطيات ومتغيرات المهام.

أظهرت النتائج أن هذه النماذج تستطيع التوازن بين التعلم العام والتذكر. ومع ذلك، يُظهر الاستنتاج أن النجاح في التعميم يعتمد بشكل كبير على الهندسة التمثيلية المحددة. وقد قدم الباحثون تفسيرات ميكانيكية تحدد لماذا تكون هذه المهمة أكثر تعقيدًا.

علاوة على ذلك، تم التحقق من النتائج النظرية من خلال نماذج اللغة المدربة مسبقًا والمُعدلة على العلاقات الترتيبية، حيث ثبت أن هذه النماذج تُعزز من القدرة على التعميم وفقًا للقواعد المتعدية، رغم أنها وقعت أيضًا في الأخطاء المتوقعة بناءً على النظرية المُقترحة.

بالتالي، تسلط هذه النظرية الضوء على كيفية تطور أنظمة التعلم من خلال تحقيق توازن بين التعميم والتذكر، وتوضح كيف يمكن أن تسير الأمور بشكل خاطئ، مما يُبرز الحاجة إلى تطوير مهام جديدة تستكشف هذه القدرات بشكل أعمق.