We describe a computational cognitive model intended to be a generalizable classifier that can provide context-based feedback to semantic perception in robotic applications. Many classifiers (including cognitive models of categorization) perform well at the task of associating features with objects. Underlying their performance is an effective selection of the features used during classification. This feature selection (FS) process is usually performed outside the boundaries of the models that learn and perform classification tasks, often by human experts. In contrast, the cognitive model we describe simultaneously learns which features to use, as it learns the associations between features and classes. This integration of FS and class learning in one model makes it complementary to other machine-learning techniques that generate feature-based representations (e.g., deep learning methods). But their integration in a cognitive architecture also provides a means for creating a dynamic context that includes disparate sources of information (e.g., environmental observations, task knowledge, commands from humans). This richer context, in turn, provides a means for making semantic perception goal-directed. We demonstrate automated FS, integrated with an instance-based learning approach to classification, in an ACT-R model of categorization by labeling facial expressions of emotion (e.g., happy, sad), and then generalizing the model to the classification of indoor public spaces (e.g., cafes, classrooms).

中文翻译：

---

在学习分类的同时学习功能：自主系统的认知模型

我们描述了旨在成为通用分类器的计算认知模型，该分类器可以为机器人应用中的语义感知提供基于上下文的反馈。许多分类器（包括分类的认知模型）在将要素与对象关联的任务中表现良好。它们性能的基础是对分类过程中使用的功能的有效选择。通常在人类学习和执行分类任务的模型边界之外执行此功能选择（FS）过程，通常由人类专家进行。相反，当我们描述的认知模型学习特征和类之间的关联时，它会同时学习要使用的特征。FS和班级学习在一个模型中的这种集成使其与其他生成基于特征的表示形式的机器学习技术（例如深度学习方法）互补。但是，它们在认知体系结构中的集成还提供了一种创建动态上下文的方式，该动态上下文包括不同的信息源（例如，环境观察，任务知识，来自人类的命令）。反过来，这种更丰富的上下文提供了一种使语义感知成为目标的方法。我们通过标记情感（例如快乐，悲伤）的面部表情，然后将该模型推广到室内公共空间的分类，在分类的ACT-R模型中展示了与基于实例的学习方法进行分类的自动FS集成（例如，咖啡馆，教室）。但是，它们在认知体系结构中的集成还提供了一种创建动态上下文的方式，该动态上下文包括不同的信息源（例如，环境观察，任务知识，来自人类的命令）。反过来，这种更丰富的上下文提供了一种使语义感知成为目标的方法。我们通过标记情感（例如快乐，悲伤）的面部表情，然后将模型推广到室内公共空间的分类，在分类的ACT-R模型中展示了与基于实例的学习方法进行分类的自动FS集成（例如，咖啡馆，教室）。但是，它们在认知体系结构中的集成还提供了一种创建动态上下文的方式，该动态上下文包括不同的信息源（例如，环境观察，任务知识，来自人类的命令）。反过来，这种更丰富的上下文提供了一种使语义感知成为目标的方法。我们通过标记情感（例如快乐，悲伤）的面部表情，然后将模型推广到室内公共空间的分类，在分类的ACT-R模型中展示了与基于实例的学习方法进行分类的自动FS集成（例如，咖啡馆，教室）。反过来，提供了一种使语义感知成为目标的方法。我们通过标记情感（例如快乐，悲伤）的面部表情，然后将模型推广到室内公共空间的分类，在分类的ACT-R模型中展示了与基于实例的学习方法进行分类的自动FS集成（例如，咖啡馆，教室）。反过来，提供了一种使语义感知成为目标的方法。我们通过标记情感（例如快乐，悲伤）的面部表情，然后将模型推广到室内公共空间的分类，在分类的ACT-R模型中展示了与基于实例的学习方法进行分类的自动FS集成（例如，咖啡馆，教室）。