Latent Variable Sequence Identification for Cognitive Models with Neural Network Estimators
Dit artikel introduceert een op neurale netwerken gebaseerde benadering die neurale Bayesiaanse schatting uitbreidt om tijdvariërende latente variabelensequenties af te leiden uit zowel tractabele als intratabele cognitieve modellen, waardoor bredere modelgebaseerde neurale analyses en theoretische toetsing mogelijk worden.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Menselijk gedrag is zelden een eenvoudige, rechte lijn van stimulus naar respons. Wanneer een persoon of een dier een keuze maakt, is die beslissing vaak de zichtbare top van een veel groter, onzichtbaar proces dat zich binnen de geest afspeelt. Wetenschappers noemen deze verborgen processen "latente variabelen". Het zijn de interne toestanden—zoals een plotselinge verschuiving in de aandacht, een veranderende overtuiging over welke actie een beloning zal opleveren, of een tijdelijke regel die het brein volgt—die bepalen wat we aan de buitenkant zien. Het begrijpen van deze verborgen toestanden is cruciaal voor onderzoekers die willen weten hoe het brein het denken en leren ondersteunt. Decennialang was de standaardmanier om deze interne toestanden te ontsluieren het bouwen van een wiskundig model van het gedrag, het vinden van de beste getallen die het model op de data laten passen, en vervolgens het model opnieuw draaien om te zien wat het zegt over de verborgen toestanden. Echter, deze traditionele methode loopt tegen een harde muur aan wanneer de modellen te complex worden. Veel interessante theorieën over hoe de geest werkt, bevatten berekeningen die zo moeilijk op te lossen zijn dat de standaard wiskundige instrumenten simpelweg de antwoorden niet kunnen vinden. Dit heeft een enorm landschap van cognitieve theorieën onverkend gelaten, omdat wetenschappers geen manier hadden om in de zwarte doos van complex gedrag te kijken.
Een team onderzoekers aan de University of California, Berkeley, heeft een nieuwe tool ontwikkeld om deze muur te omzeilen, waardoor wetenschappers zelfs in de meest ingewikkelde modellen deze verborgen toestanden kunnen zien. Ze noemen hun methode LaseNet. In plaats van te proberen de moeilijke wiskundige vergelijkingen direct op te lossen, trainden de onderzoekers een kunstmatig intelligentiesysteem om de relatie te leren tussen wat een dier doet en wat het waarschijnlijk denkt. Dit deden ze door duizenden gesimuleerde experimenten te creëren waarvan zij de exacte antwoorden kenden. In deze simulaties genereerden ze data die leken op echt gedrag—keuzes, beloningen en fouten—en koppelden deze aan de bekende verborgen toestanden die ze veroorzaakten. Ze voedden deze enorme bibliotheek van "wat er gebeurde" en "wat er werd gedacht" aan een type neuraal netwerk, een computersysteem dat ontworpen is om patronen in sequenties van gebeurtenissen te herkennen. Het netwerk leerde om naar een sequentie van acties en uitkomsten te kijken en de verborgen mentale staat te voorspellen die ze produceerde, waardoor het effectief leerde om gedrag te vertalen naar gedachte zonder ooit de complexe onderliggende wiskunde te hoeven oplossen.
De onderzoekers testten deze nieuwe aanpak op een verscheidenheid aan cognitieve modellen, variërend van eenvoudige leerscenario's tot complexe, hiërarchische besluitvormingstaken. In gevallen waar de oude methoden werkten, presteerde LaseNet even goed en volgde de verborgen variabelen nauwkeurig. Maar de ware kracht bleek naar voren te komen in de modellen waar de oude methoden faalden of moeite hadden. Voor modellen waarbij de wiskunde te moeilijk was om direct op te lossen, konden de traditionele benaderingen ofwel helemaal niet werken, of vereisten ze extreem trage, op maat gemaakte statistische instrumenten die foutgevoelig waren. LaseNet daarentegen handelde deze moeilijke gevallen met gemak. In simulaties identificeerde het verborgen toestanden met een precisieniveau dat de beste bestaande technieken overtrof, waarbij de ware interne toestanden met veel minder fouten werden hersteld. Het volgde succesvol zowel continue variabelen, zoals de veranderende waarde van een beloning, als discrete variabelen, zoals een plotselinge verschuiving in strategie of aandacht.
Om te bewijzen dat dit niet alleen een methode was die werkte op verzonnen data, paste het team LaseNet toe op echte data verzameld van muizen. In één experiment navigeerden muizen door een taak waarin beloningen onvoorspelbaar veranderden, wat hen dwong constant hun interne regels bij te werken. De onderzoekers gebruikten LaseNet om de interne aandachtstoestanden van de muizen en hun verwachtingen van beloningen af te leiden. De resultaten kwamen overeen met de patronen gevonden door traditionele methoden waar die methoden toepasbaar waren, maar LaseNet bood een helder, continu beeld van de interne toestanden van de muizen gedurende de gehele taak. In een andere studie die betrekking had op een visuele besluitvormingstaak, identificeerde de methode succesvol wanneer de muizen volledig betrokken waren versus wanneer ze een voorkeur hadden voor één kant, waardoor de dynamische verschuivingen in hun mentale focus werden onthuld. De aanpak werkte voor individuele dieren, wat betekende dat het gebruikt kon worden om de unieke cognitieve stijl van een enkel subject te bestuderen in plaats van alleen het gedrag van een hele groep te middelen.
De betekenis van dit werk ligt in het vermogen om deuren te openen die voorheen op slot zaten. Door de noodzaak van complexe, vaak onmogelijke wiskundige berekeningen weg te nemen, stelt LaseNet onderzoekers in staat om een veel breder scala aan theorieën over hoe de geest werkt te testen. Wetenschappers kunnen nu modellen voorstellen die voorheen te moeilijk te analyseren waren en nog steeds antwoorden krijgen over de verborgen processen die gedrag aansturen. De methode is flexibel genoeg om verschillende soorten data en verschillende soorten mentale toestanden aan te kunnen, en het werkt efficiënt op standaardcomputers zonder dat er enorme rekenkracht nodig is. Hoewel het instrument nog geen manier biedt om de onzekerheid van zijn eigen voorspellingen te meten, en het afhankelijk is van de kwaliteit van de modellen die gebruikt worden om het te trainen, vertegenwoordigt het een grote stap voorwaarts. Het transformeert het onderzoek naar cognitieve modellen van een veld dat beperkt wordt door wiskundige hanteerbaarheid naar een veld dat alleen beperkt wordt door de creativiteit van de theorieën die onderzoekers willen verkennen, en biedt een helderder venster op de dynamische, verborgen machinerie van de geest.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.