People readily generalize knowledge to novel domains and stimuli. We present a theory, instantiated in a computational model, based on the idea that cross-domain generalization in humans is a case of analogical inference over structured (i.e., symbolic) relational representations. The model is an extension of the Learning and Inference with Schemas and Analogy (LISA; Hummel & Holyoak, 1997, 2003) and Discovery of Relations by Analogy (DORA; Doumas et al., 2008) models of relational inference and learning. The resulting model learns both the content and format (i.e., structure) of relational representations from nonrelational inputs without supervision, when augmented with the capacity for reinforcement learning it leverages these representations to learn about individual domains, and then generalizes to new domains on the first exposure (i.e., zero-shot learning) via analogical inference. We demonstrate the capacity of the model to learn structured relational representations from a variety of simple visual stimuli, and to perform cross-domain generalization between video games (Breakout and Pong) and between several psychological tasks. We demonstrate that the model’s trajectory closely mirrors the trajectory of children as they learn about relations, accounting for phenomena from the literature on the development of children’s reasoning and analogy making. The model’s ability to generalize between domains demonstrates the flexibility afforded by representing domains in terms of their underlying relational structure, rather than simply in terms of the statistical relations between their inputs and outputs.

中文翻译：

---

关系学习和跨领域泛化理论。

人们很容易将知识概括为新的领域和刺激。我们提出了一个理论，在计算模型中实例化，基于人类的跨域泛化是对结构化（即符号）关系表示的类比推理的情况。该模型是 Learning and Inference with Schemas and Analogy (LISA; Hummel & Holyoak, 1997, 2003) 和 Discovery of Relations by Analogy (DORA; Doumas et al., 2008) 关系推理和学习模型的扩展。生成的模型在没有监督的情况下从非关系输入中学习关系表示的内容和格式（即结构），当增强了强化学习的能力时，它利用这些表示来学习各个领域，然后在第一时间推广到新领域曝光（即 零样本学习）通过类比推理。我们展示了该模型从各种简单的视觉刺激中学习结构化关系表示的能力，以及在视频游戏（Breakout 和 Pong）和多个心理任务之间执行跨域泛化的能力。我们证明模型的轨迹密切反映了儿童在学习关系时的轨迹，解释了关于儿童推理和类比发展的文献中的现象。该模型在域之间进行概括的能力证明了根据域的基础关系结构来表示域所提供的灵活性，而不是简单地根据输入和输出之间的统计关系来表示。我们展示了该模型从各种简单的视觉刺激中学习结构化关系表示的能力，以及在视频游戏（Breakout 和 Pong）和多个心理任务之间执行跨域泛化的能力。我们证明模型的轨迹密切反映了儿童在学习关系时的轨迹，解释了关于儿童推理和类比发展的文献中的现象。该模型在域之间进行概括的能力证明了根据域的基础关系结构来表示域所提供的灵活性，而不是简单地根据输入和输出之间的统计关系来表示。我们展示了该模型从各种简单的视觉刺激中学习结构化关系表示的能力，以及在视频游戏（Breakout 和 Pong）和多个心理任务之间执行跨域泛化的能力。我们证明模型的轨迹密切反映了儿童在学习关系时的轨迹，解释了关于儿童推理和类比发展的文献中的现象。该模型在域之间进行概括的能力证明了根据域的基础关系结构来表示域所提供的灵活性，而不是简单地根据输入和输出之间的统计关系来表示。并在视频游戏（Breakout 和 Pong）之间和几个心理任务之间执行跨域泛化。我们证明模型的轨迹密切反映了儿童在学习关系时的轨迹，解释了关于儿童推理和类比发展的文献中的现象。该模型在域之间进行概括的能力证明了根据域的基础关系结构来表示域所提供的灵活性，而不是简单地根据输入和输出之间的统计关系来表示。并在视频游戏（Breakout 和 Pong）之间和几个心理任务之间执行跨域泛化。我们证明模型的轨迹密切反映了儿童在学习关系时的轨迹，解释了关于儿童推理和类比发展的文献中的现象。该模型在域之间进行概括的能力证明了根据域的基础关系结构来表示域所提供的灵活性，而不是简单地根据输入和输出之间的统计关系来表示。从关于儿童推理和类比发展的文献中解释现象。该模型在域之间进行概括的能力证明了根据域的基础关系结构来表示域所提供的灵活性，而不是简单地根据输入和输出之间的统计关系来表示。从关于儿童推理和类比发展的文献中解释现象。该模型在域之间进行概括的能力证明了根据域的基础关系结构来表示域所提供的灵活性，而不是简单地根据输入和输出之间的统计关系来表示。