Нейросетевая архитектура из 4 блоков копирует механизм привычек: новый навык без переобучения

---

Автор концепции предложил нейросетевую архитектуру из четырёх компонентов, которая копирует механизм формирования привычек у человека и позволяет переносить новый навык в стабильную автоматическую сеть без полного переобучения, а значит, экономит время и данные при адаптации ИИ к новым задачам.

Идея пришла из наблюдения за тем, как человеческий мозг осваивает действия и превращает их в привычки. Принцип «стимул, желание, реакция, подкрепление» описан в книге Джеймса Клира «Атомные привычки». Автор архитектуры перенёс этот цикл в систему из нескольких простых нейронных сетей, где незнакомые данные сначала обрабатываются «сознательной» сетью, а после подтверждения правильности ответа передаются в «подсознательную» через генерацию похожих примеров.

Четыре компонента и что каждый делает

Нейросетевая архитектура состоит из четырёх блоков плюс внешний проверяющий механизм.

• Классификатор новизны определяет, знаком ли системе входной сигнал. Если оценка новизны выше порога, данные уходят в «сознательную» сеть. Если ниже, сразу в «подсознательную».
• «Сознательная» нейронная сеть обрабатывает незнакомые данные. Она выдаёт распределение вероятностей по классам, получает подкрепление (правильный или неправильный ответ) и корректирует свои параметры при ошибке.
• Генеративная нейронная сеть получает успешный пример и случайный вектор шума, а на выходе создаёт набор похожих изображений с тем же классом. Это аналог мысленного представления вариантов уже увиденного объекта.
• «Подсознательная» нейронная сеть дообучается (дообучение, обучение модели на новых примерах под узкую задачу) на синтетическом датасете и начинает распознавать новый тип данных быстро и без участия «сознания».

Внешний проверяющий механизм сообщает системе, верный ли ответ дала «сознательная» сеть. Без него цикл подкрепления не запускается.

Что понадобится

• Python 3.10+ и PyTorch (или аналогичный фреймворк для работы с нейронными сетями).
• Набор чёрно-белых изображений 28 на 28 пикселей с простыми геометрическими фигурами: круг, квадрат, треугольник, крест, звезда. Можно сгенерировать программно.
• Четыре отдельные модели: классификатор новизны, классификатор-«сознание», генератор вариаций, классификатор-«подсознание».
• Механизм проверки правильности ответа (для эксперимента подойдёт простая функция сравнения предсказанного класса с истинным).
• Время на эксперимент: от 2 до 4 часов на обычном ноутбуке без GPU (задача учебная, изображения маленькие).

Пошаговая инструкция

1. Подготовьте начальный датасет из трёх классов. Сгенерируйте изображения кругов, квадратов и треугольников с вариациями: разный размер, положение, толщина линий, небольшие повороты, добавленный шум.

2. Обучите «подсознательную» сеть на этих трёх классах. Выходной слой сразу делайте на пять классов, чтобы при появлении креста и звезды не менять архитектуру. На старте веса для четвёртого и пятого класса останутся случайными.

3. Обучите классификатор новизны. Он должен считать варианты трёх знакомых фигур «своими», а любые другие изображения, «новыми». Порог новизны задаётся гиперпараметром.

4. Обучите генеративную сеть создавать допустимые вариации геометрических изображений: менять положение, размер, ориентацию, сохраняя форму.

5. Подайте на вход изображение новой фигуры (например, крест). Классификатор новизны направит его в «сознательную» сеть.

6. «Сознательная» сеть выдаст предсказание. Если ответ неверный, обновите её параметры через градиентный спуск и повторите. Если верный, сохраните пару «изображение плюс правильный класс».

7. Передайте успешный пример генеративной сети. Она создаст набор похожих изображений с тем же классом.

# Псевдокод генерации вариаций
synthetic_dataset = []
for i in range(num_variations):
    z = torch.randn(latent_dim)
    x_new = generator(successful_image, z)
    synthetic_dataset.append((x_new, correct_class))

1. Дообучите «подсознательную» сеть на объединённом датасете: старые примеры плюс новые синтетические. Это предотвращает катастрофическое забывание (ситуация, когда сеть, выучив новое, теряет старые навыки).

2. Обновите классификатор новизны, чтобы он теперь считал крест знакомой фигурой и направлял похожие изображения сразу в «подсознание».

3. Повторите шаги 5 и 9 для звезды. После этого все пять классов обрабатываются автоматически.

Что это даёт вам прямо сейчас, по ролям

Автору Дзена. Принцип «один пример и генерация вариаций» можно использовать при обучении локальных классификаторов контента. Например, научить модель отличать новый тип визуала в статьях, не собирая вручную сотни примеров.

Маркетологу. Если вы работаете с системами автоматической модерации или категоризации изображений, нейросетевая архитектура с разделением на «сознание» и «подсознание» сокращает цикл адаптации к новым категориям товаров с дней до часов.

Предпринимателю в РФ. Архитектура не привязана к конкретной платформе или закрытой модели. Всё реализуемо на открытых инструментах (PyTorch, локальный сервер). Зависимости от зарубежных API нет, санкционные риски нулевые.

Нейросетевая архитектура с разделением на «сознание» и «подсознание» пока остаётся экспериментом на учебных данных, но сам принцип, один верный пример вместо тысячи, уже стоит того, чтобы запустить PyTorch и проверить на своей задаче.