Feature, Alignment, and Supervision in Category Learning: A Comparative Approach with Children and Neural Networks

Resumen Técnico: Característica, Alineación y Supervisión en el Aprendizaje de Categorías

Planteamiento del Problema
Un desafío central en la ciencia cognitiva y el aprendizaje automático es comprender cómo los humanos y las máquinas aprenden a partir de datos dispersos. Mientras que los humanos, particularmente los infantes, demuestran una eficiencia notable en el aprendizaje de un solo ejemplo (one-shot) o de pocos ejemplos (few-shot), los algoritmos de aprendizaje automático suelen requerir órdenes de magnitud más de datos. Aunque las redes neuronales profundas (DNN) han logrado el éxito en regímenes supervisados y autosupervisados, no está claro si sus estrategias de aprendizaje y sesgos inductivos se alinean con la cognición humana. La literatura existente suele depender de comparaciones entre estudios o tareas débilmente emparejadas, lo que dificulta aislar las fuentes específicas de éxito o fracaso en cada sistema. Este estudio aborda la necesidad de comparaciones "justas para la especie" (species-fair) —donde se imponen restricciones humanas a las máquinas y restricciones de máquina a los humanos— para determinar cómo la supervisión, la estructura de las características y la alineación perceptual interactúan para apoyar el aprendizaje de categorías en niños frente a Redes Neuronales Convolucionales (CNN).

Metodología
El estudio emplea un marco de aprendizaje semi-supervisado controlado y justo para la especie que compara a niños de 5 a 7 años ($N=24$) y una arquitectura ResNet-18 siamesa.

• Diseño de la Tarea: Ambos aprendices fueron expuestos a nuevas categorías de objetos definidas por tres dimensiones de características distintas: tamaño, forma o patrón.
• Variables: El estudio manipuló sistemáticamente tres factores:
  1. Nivel de Supervisión: El número de ejemplares etiquetados proporcionados (1/6, 3/6 o 6/6).
  2. Alineación Perceptual: Alta vs. Baja alineación. En las condiciones de alta alineación, los ejemplares emparejados compartían todas las características excepto la dimensión objetivo, facilitando una correspondencia estructural clara. En las condiciones de baja alineación, los ejemplares variaban en múltiples dimensiones, oscureciendo la característica objetivo invariante.
  3. Estructura de la Característica: La dimensión que define la categoría (tamaño, forma, patrón).
• Procedimiento Humano: Los niños observaron pares de estímulos (pares "iguales" o "diferentes" según su naturaleza) con niveles variables de supervisión verbal (por ejemplo, "Ambos son [Categoría]" frente a "Solo este es un [Categoría]"). Posteriormente, se les evaluó en su capacidad para clasificar nuevos estímulos.
• Procediente de la Máquina: Una red siamesa con un codificador ResNet-18 compartido fue entrenada utilizando una función de pérdida multiobjetivo. Combinó la entropía cruzada binaria para los ensayos supervisados (prediciendo objeto vs. no-objeto) con una pérdida contrastiva para los pares supervisados y no supervisados (empujando las representaciones de la misma clase hacia juntas y las de clases diferentes hacia afuera). La red fue entrenada durante 200 épocas a través de 20 semillas aleatorias para igualar el contrabalanceo del estudio humano.

Resultados Clave
El estudio reveló perfiles de aprendizaje divergentes entre los niños y las CNN, caracterizados por distintas interacciones entre supervisión, alineación y tipo de característica:

1. Sensibilidad a la Alineación Perceptual:

   • Niños: El desempeño fue altamente sensible a la alineación. Los niños fueron significativamente más precisos en las condiciones de alta alineación. Crucialmente, la alineación interactuó con el tipo de característica: la baja alineación perjudicó severamente el aprendizaje para las categorías basadas en tamaño y patrón, pero tuvo un efecto insignificante en las categorías basadas en forma, reflejando un robusto "sesgo de forma".
   • CNNs: El efecto principal de la alineación fue débil y no estadísticamente significativo por sí solo. Sin embargo, la alineación interactuó con la supervisión y el tipo de característica. Para las categorías basadas en forma, la alta alineación permitió que la supervisión mejorara el desempeño significativamente, mientras que la baja alineación hizo que la supervisión adicional fuera ineficaz. Por el contrario, las CNN fueron mayormente insensibles a la alineación para las categorías de tamaño y patrón.

2. Sesgos en la Estructura de la Característica:

   • Niños: Mostraron una fuerte preferencia por la forma, superando al tamaño y al patrón. El tamaño fue la característica más difícil, particularmente bajo condiciones de baja alineación donde el desempeño se acercó a los niveles del azar.
   • CNNs: Exhibieron el patrón inverso. La forma fue la característica más difícil para la red, mientras que el tamaño y el patrón fueron aprendidos con alta precisión, alcanzando a menudo el desempeño máximo incluso con mínima supervisión. Esto se alinea con hallazgos previos de que las CNN favorecen las pistas basadas en texturas sobre las representaciones de forma abstracta.

3. Papel de la Supervisión:

   • Niños: Mostraron rendimientos decrecientes de ejemplares etiquetados adicionales una vez que se cumplían las condiciones óptimas (alta alineación, característica de forma). Su aprendizaje fue impulsado más por la calidad de la estructura perceptual que por la cantidad de etiquetas.
   • CNNs: El desempeño mejoró monótonamente con el aumento de la supervisión en todas las condiciones. El beneficio de etiquetas adicionales fue más pronunciado para las categorías basadas en forma bajo alta alineación.

4. Efectos de Interacción:

   • El estudio encontró que el impacto de la supervisión en el aprendizaje no fue uniforme, sino que estuvo regulado por la interacción de la característica y la alineación. Para las CNN, la supervisión fue menos efectiva para el aprendizaje de categorías de forma cuando los ejemplares carecían de coherencia perceptual (baja alineación).

Significancia y Reivindicaciones
Los autores afirman que este trabajo proporciona la primera comparación controlada del aprendizaje de niños y CNN en un régimen semi-supervisado, yendo más allá de las métricas de precisión general para analizar los mecanismos de aprendizaje.

• Comparación Justa para la Especie: Los resultados demuestran que las comparaciones entre humanos y modelos deben realizarse bajo condiciones específicas y principios claros. Las similitudes o diferencias aparentes en el desempeño a menudo dependen de la interacción entre la supervisión, las características objetivo y la alineación perceptual, más que de la precisión agregada.
• Sesgos Inductivos: Aunque ambos sistemas pueden adquirir sesgos (por ejemplo, el sesgo de forma en niños y el sesgo de textura en CNN), la forma en que estos sesgos interactúan con otras restricciones de aprendizaje difiere fundamentalmente. Los niños dependen de la alineación perceptual para extraer la estructura relacional, mientras que las CNN dependen de estadísticas de características locales que siguen siendo informativas incluso cuando las correspondencias espaciales globales se ven interrumpidas.
• Evaluación de Modelos: El artículo argumenta que evaluar los modelos computacionales únicamente por si alcanzan la precisión de nivel humano es engañoso. Un enfoque más informativo es evaluar si un modelo reproduce el mismo patrón de compensaciones e interacciones que los humanos a través de manipulaciones de principios. Esto revela si dos aprendices tienen éxito por las mismas razones o por razones diferentes, ofreciendo una comprensión más profunda de los sesgos inductivos que impulsan la generalización eficiente tanto en sistemas biológicos como artificiales.