To Cognize is to Categorize: Cognition is Categorization

2.21-2.26

【总述】分类可以通过将某些特征抽象化及忽略其他特征而进行，且训练后类内差距缩小而类间差距增大。

1、重新编码和特征选择

有两种增强分类能力的方法。其一是增加对事物认识的维度，有联觉的人因为可以对事物从多个感觉进行识别，所以其分类能力高。但其局限性在于每个维度都无法达到单一维度的精确率。第二种方法是重新编码，正如我们将0和1组成的二进制数据编码为十进制时能够记忆原先3倍的数据一样。类似地，事物特征可以帮助分类。如果两个事物只有几个特征是相同的，我们不确定其是否归为一类，这就涉及到上述的“不确定性underdetermination”、“信用分配credit-assignment”问题。

监督学习（强化学习）即在正确的反馈指导下学习，可以解决信用分配问题，并将事物的特征抽象化。如果学习成功，则特征被重新编码、重新加权，与无关特征相比，同类事物的相同特征具有更大的权重，导致类内差距缩小而类间差距增大。

2、习得的分类知觉

突然的感知变化称为“类别感知”（categorical perception，CP）。

【图1】被试进行了对纹理的难、易两种分类，即任务学习的CP。纵坐标表示任务训练后除以训练前的分类准确率。发现简单任务下训练前后没有显著差异，但是困难任务训练后比训练前导致了类内差距减小和类间差异增大。

【图2】区分了学习成功（“学习者”）与未成功（“非学习者”）的被试。纵坐标表示越靠近1则分离越明显，越靠近7则差距缩小越明显。此外，学习者也显示出相关电位（ERP）的变化，而非学习者没有。表明学习到的CP仅发生在学习者中。

3、信息可以减少相互混淆的事物之间分类的不确定性。当我们分类并收到反馈时，我们正在对混淆的事物进行辨别。对新生雏鸡的性别分类比较困难，因为这种分类方法无法用语言表达，需要经过数年的反复强化训练。但并不是完全没有办法。Biederman和Shiffrar对新生雏鸡进行了计算机分析，确定了一个分类的特征“geon”，使得一些有经验的人也能像大师一样分类小鸡。所以分类取决于选择性地抽象某些特征而忽略其他特征。

一般来说，对特征进行抽象的结果直接作用在分类上，但大部分应用于符号（如语言表达），通过他人对抽象结果的传授，别人也可以间接地获得分类知识而不需要强化学习。