Latent Variable Sequence Identification for Cognitive Models with Neural Network Estimators
本文介绍了一种基于神经网络的方法,该方法通过将神经贝叶斯估计扩展到从可处理和不可处理的认知模型中推断随时间变化的潜在变量序列,从而实现了更广泛的模型驱动型神经分析与理论检验。
原始论文采用 CC BY 4.0 许可(http://creativecommons.org/licenses/by/4.0/)。 这是对下方论文的AI生成解释。它不是由作者撰写的。如需技术准确性,请参阅原始论文。 阅读完整免责声明
人类行为很少是刺激到反应之间简单的直线关系。当一个人或动物做出选择时,那个决定往往只是其大脑内部正在发生的更宏大、更隐形的复杂过程的一个可见顶端。科学家将这些隐藏的过程称为“潜变量”(latent variables)。它们是内部状态——例如注意力的突然转移、对哪种行动能带来回报的信念变化,或是大脑正在遵循的瞬时规则——这些状态驱动了我们观察到的外部行为。理解这些隐藏状态对于想要了解大脑如何支持思考与学习的研究人员来说至关重要。几十年来,揭示这些内部状态的标准方法是构建一个行为的数学模型,找到最符合该模型数据的最优数值,然后再次运行该模型以观察它所反映出的隐藏状态。然而,当模型变得过于复杂时,这种传统方法会撞上一堵硬墙。许多关于思维运作方式的有趣理论涉及极其难以求解的计算,以至于标准的数学工具根本无法找到答案。这使得大量的认知理论处于未被探索的状态,因为科学家们缺乏一种能够窥视复杂行为这一“黑箱”的方法。
加州大学伯克利分校的一个研究小组开发了一种新工具来绕过这堵墙,使科学家即使在最复杂的模型中也能观察到这些隐藏状态。他们将这种方法称为 LaseNet。LaseNet 并非试图直接求解那些困难的数学方程,而是训练了一个人工智能系统,让它去学习行为与动物可能在想什么之间的关系。他们通过创建数千个已知答案的模拟实验来实现这一点。在这些模拟实验中,他们生成了看起来像真实行为的数据(包括选择、奖励和错误),并将其与产生这些行为的已知隐藏状态进行配对。他们将这个包含“发生了什么”和“在想什么”的海量数据库输入到一种神经网络中,这种计算机系统旨在识别事件序列中的模式。该网络学会了观察一系列动作和结果,并预测产生这些动作的隐藏心理状态,从而有效地实现了将行为转化为思维的学习过程,而无需求解底层的复杂数学问题。
研究人员将这种新方法应用于各种认知模型,涵盖了从简单的学习场景到复杂的层级决策任务。在传统方法奏效的情况下,LaseNet 的表现同样出色,能够准确追踪隐藏变量。但它的真正威力体现在那些传统方法失效或难以应对的模型中。对于那些数学求解过于困难的模型,传统方法要么完全无法工作,要么需要极其缓慢且易出错的定制统计工具。相比之下,LaseNet 能够轻松处理这些困难案例。在模拟实验中,它识别隐藏状态的精度超过了现有的最佳技术,能够以极低的误差恢复真实的内部状态。它成功地追踪了连续变量(如不断变化的奖励价值)和离散变量(如策略或注意力的突然切换)。
为了证明这不仅仅是一种在虚构数据上奏效的方法,团队将 LaseNet 应用于从小鼠身上收集的真实数据。在一项实验中,小鼠在执行一项奖励变化不可预测的任务,这要求它们必须不断更新其内部规则。研究人员使用 LaseNet 推断了小鼠的内部注意力状态及其对奖励的预期。结果与传统方法在可应用情况下的模式相吻合,但 LaseNet 在整个任务过程中提供了一个清晰、连续的小鼠内部状态图景。在另一项涉及视觉决策任务的研究中,该方法成功识别了小鼠是在全身心投入还是偏向于某一侧,揭示了它们心理专注度的动态变化。该方法适用于个体动物,这意味着它可以用来研究单个受试者的独特认知风格,而不仅仅是平均化一组动物的行为。
这项工作的意义在于它能够打开此前被锁闭的大门。通过消除对复杂且往往无法求解的数学计算的需求,LaseNet 允许研究人员测试更广泛的关于思维运作方式的理论。科学家现在可以提出以前难以分析的模型,并依然能获得关于驱动行为的隐藏过程的答案。该方法具有足够的灵活性,可以处理不同类型的数据和不同种类的心理状态,并且可以在标准计算机上高效运行,无需庞大的计算能力。虽然该工具目前还无法衡量其自身预测的不确定性,且依赖于用于训练的模型质量,但它代表了一个重大的进步。它将认知模型的研究从一个受限于数学可解性的领域,转变为一个仅受限于研究者想要探索的理论创造力的领域,为观察大脑动态且隐藏的运作机制提供了一个更清晰的窗口。
您所在领域的论文太多了?
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。