論文の概要: Predicting human decision making in psychological tasks with recurrent
neural networks
- arxiv url: http://arxiv.org/abs/2010.11413v3
- Date: Wed, 20 Apr 2022 16:28:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 06:07:18.052647
- Title: Predicting human decision making in psychological tasks with recurrent
neural networks
- Title（参考訳）: リカレントニューラルネットワークを用いた心理的タスクにおける人間の意思決定予測
- Authors: Baihan Lin, Djallel Bouneffouf, Guillermo Cecchi
- Abstract要約: 本稿では,長期記憶ネットワーク(LSTM)に基づくリカレントニューラルネットワークアーキテクチャを用いて,ゲーム活動に携わる被験者の行動の時系列を予測することを提案する。
本研究では,168,386の個人決定からなる反復刑務所ジレンマの8つの文献から得られた人的データを,両選手の行動軌跡8,257に照合する。
我々はアイオワ・ギャンブリング・タスクの単一エージェントシナリオとマルチの双方において、人間の意思決定軌跡を予測する最先端手法に対する明確な優位性を示す。
- 参考スコア（独自算出の注目度）: 27.80555922579736
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unlike traditional time series, the action sequences of human decision making
usually involve many cognitive processes such as beliefs, desires, intentions,
and theory of mind, i.e., what others are thinking. This makes predicting human
decision-making challenging to be treated agnostically to the underlying
psychological mechanisms. We propose here to use a recurrent neural network
architecture based on long short-term memory networks (LSTM) to predict the
time series of the actions taken by human subjects engaged in gaming activity,
the first application of such methods in this research domain. In this study,
we collate the human data from 8 published literature of the Iterated
Prisoner's Dilemma comprising 168,386 individual decisions and post-process
them into 8,257 behavioral trajectories of 9 actions each for both players.
Similarly, we collate 617 trajectories of 95 actions from 10 different
published studies of Iowa Gambling Task experiments with healthy human
subjects. We train our prediction networks on the behavioral data and
demonstrate a clear advantage over the state-of-the-art methods in predicting
human decision-making trajectories in both the single-agent scenario of the
Iowa Gambling Task and the multi-agent scenario of the Iterated Prisoner's
Dilemma. Moreover, we observe that the weights of the LSTM networks modeling
the top performers tend to have a wider distribution compared to poor
performers, as well as a larger bias, which suggest possible interpretations
for the distribution of strategies adopted by each group.
- Abstract（参考訳）: 伝統的な時系列とは異なり、人間の意思決定の行動系列は通常、信念、欲望、意図、心の理論、つまり他人が考えていることなど多くの認知過程を伴う。
これにより、人間の意思決定を予測することは、基礎となる心理的メカニズムに無知に扱うことが困難になる。
本稿では,long short-term memory network(lstm)に基づくリカレントニューラルネットワークアーキテクチャを用いて,ゲーム活動に携わる被験者の行動の時系列を予測することを提案する。
本研究では,168,386個の個別決定からなる反復囚人のジレンマに関する8つの文献から得られた人間のデータを照合し,各9つの行動の行動軌跡8,257に処理した。
同様に、健常者を対象としたアイオワ・ギャンブリング・タスクの10種類の実験から、95の行動の617の軌跡を照合した。
我々は行動データに基づいて予測ネットワークを訓練し,アイオワ・ギャンブル・タスクの単一エージェントシナリオと反復囚人のジレンマのマルチエージェントシナリオの両方において,人間の意思決定軌跡を予測するための最先端手法よりも明確な優位性を示す。
また,トップパフォーマーをモデル化するlstmネットワークの重み付けは,成績不良者に比べて分布が広い傾向にあり,さらにバイアスが大きい傾向にあり,各グループで採用されている戦略の分布に対する解釈が示唆されている。
関連論文リスト
- Capturing the Complexity of Human Strategic Decision-Making with Machine Learning [4.308322597847064]
我々は,2プレイヤーマトリックスゲームにおける初期プレイの文脈において,戦略的意思決定の現在までの最大の研究を行う。
これらのデータに基づいてトレーニングされたディープニューラルネットワークは、戦略行動の理論を先導するよりも、人々の選択を予測できることを示す。
論文 参考訳（メタデータ） (2024-08-15T00:39:42Z) - Towards Neural Network based Cognitive Models of Dynamic Decision-Making by Humans [16.72938921687168]
私たちはインスタンスベースの学習(IBL)に基づいて、人間の決定は過去に遭遇した同様の状況に基づいていると仮定します。
本研究では,2つの新しい注意型ニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2024-07-24T20:28:03Z) - A Neuro-Symbolic Approach for Enhanced Human Motion Prediction [5.742409080817885]
人間の動作予測のためのニューロシンボリックアプローチ(NeuroSyM)を提案する。
NeuroSyMは、質的軌道計算(QTC)と呼ばれる空間表現に直感的手法を活用することにより、近隣の相互作用を異なる重み付けする
実験の結果,NeuroSyMアプローチは,ほとんどの場合,予測精度においてベースラインアーキテクチャよりも優れていた。
論文 参考訳（メタデータ） (2023-04-23T20:11:40Z) - Learning signatures of decision making from many individuals playing the
same game [54.33783158658077]
我々は、個人の「行動スタイル」を符号化する表現を学習する予測フレームワークを設計する。
我々は,3本腕のバンディットタスクを行う1,000人の人間による大規模行動データセットに本手法を適用した。
論文 参考訳（メタデータ） (2023-02-21T21:41:53Z) - Learning Theory of Mind via Dynamic Traits Attribution [59.9781556714202]
本稿では,過去のトラジェクトリからアクターの潜在特性ベクトルを生成するニューラルToMアーキテクチャを提案する。
この特性ベクトルは、予測ニューラルネットワークの高速重み付けスキームを介して予測機構を乗法的に変調する。
実験により,高速重量はエージェントの特性をモデル化し,マインドリーディング能力を向上させるために優れた誘導バイアスを与えることが示された。
論文 参考訳（メタデータ） (2022-04-17T11:21:18Z) - The world seems different in a social context: a neural network analysis
of human experimental data [57.729312306803955]
本研究では,先行・知覚的信号の精度を変化させることで,個人・社会的タスク設定の両方で人間の行動データを再現可能であることを示す。
トレーニングされたネットワークの神経活性化トレースの分析は、情報が個人や社会的条件のネットワークにおいて、根本的に異なる方法でコード化されていることを示す。
論文 参考訳（メタデータ） (2022-03-03T17:19:12Z) - Probabilistic Human Motion Prediction via A Bayesian Neural Network [71.16277790708529]
本稿では,人間の動作予測のための確率モデルを提案する。
我々のモデルは、観測された動きシーケンスが与えられたときに、いくつかの将来の動きを生成することができる。
我々は、大規模ベンチマークデータセットHuman3.6mに対して、我々のアプローチを広範囲に検証した。
論文 参考訳（メタデータ） (2021-07-14T09:05:33Z) - Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。
解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。
私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
論文 参考訳（メタデータ） (2021-05-07T09:22:34Z) - Adversarial Refinement Network for Human Motion Prediction [61.50462663314644]
リカレントニューラルネットワークとフィードフォワードディープネットワークという2つの一般的な手法は、粗い動きの傾向を予測することができる。
本稿では,新たな逆誤差増大を伴う簡易かつ効果的な粗大きめ機構に従えば,ARNet(Adversarial Refinement Network)を提案する。
論文 参考訳（メタデータ） (2020-11-23T05:42:20Z) - Online Learning in Iterated Prisoner's Dilemma to Mimic Human Behavior [27.80555922579736]
In the Iterated Prisoner's Dilemma (IPD) game, we study the behaviors of online learning algorithm in the Iterated Prisoner's Dilemma (IPD) game。
我々は、複数のエージェントが連続的に競争できる、反復囚人ジレンマのトーナメントに基づいて、それらを評価する。
その結果,このような社会的ジレンマゲームでは,現在の意思決定状況を考えることが最悪であることが示唆された。
論文 参考訳（メタデータ） (2020-06-09T15:58:32Z) - Unified Models of Human Behavioral Agents in Bandits, Contextual Bandits
and RL [28.38826379640553]
逐次的意思決定のためのより汎用的で柔軟なパラメトリック・フレームワークを提案する。
多くの精神疾患の既往の報酬処理異常にインスパイアされ、臨床にインスパイアされたエージェントは興味深い行動軌跡を示した。
論文 参考訳（メタデータ） (2020-05-10T01:43:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。