論文の概要: Plinko: A Theory-Free Behavioral Measure of Priors for Statistical
Learning and Mental Model Updating
- arxiv url: http://arxiv.org/abs/2107.11477v1
- Date: Fri, 23 Jul 2021 22:27:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-28 11:22:40.758202
- Title: Plinko: A Theory-Free Behavioral Measure of Priors for Statistical
Learning and Mental Model Updating
- Title（参考訳）: plinko: 統計的学習とメンタルモデル更新のための事前の理論自由行動尺度
- Authors: Peter A. V. DiBerardino, Alexandre L. S. Filipowicz, James Danckert,
Britt Anderson
- Abstract要約: Plinko(リンク)は,参加者が利用可能なすべての結果に対してボール滴の分布を推定する行動課題である。
対象者は,確率分布の確率分布を中心にクラスタリングし,事前クラスタメンバシップは学習能力を示す可能性があることを示す。
我々は,個々の参加者が信頼できる表現であり,物理的に不可解な球滴分布に直面した場合,学習が阻害されないことを検証した。
- 参考スコア（独自算出の注目度）: 62.997667081978825
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Probability distributions are central to Bayesian accounts of cognition, but
behavioral assessments do not directly measure them. Posterior distributions
are typically computed from collections of individual participant actions, yet
are used to draw conclusions about the internal structure of participant
beliefs. Also not explicitly measured are the prior distributions that
distinguish Bayesian models from others by representing initial states of
belief. Instead, priors are usually derived from experimenters' intuitions or
model assumptions and applied equally to all participants. Here we present
three experiments using "Plinko", a behavioral task in which participants
estimate distributions of ball drops over all available outcomes and where
distributions are explicitly measured before any observations. In Experiment 1,
we show that participant priors cluster around prototypical probability
distributions (Gaussian, bimodal, etc.), and that prior cluster membership may
indicate learning ability. In Experiment 2, we highlight participants' ability
to update to unannounced changes of presented distributions and how this
ability is affected by environmental manipulation. Finally, in Experiment 3, we
verify that individual participant priors are reliable representations and that
learning is not impeded when faced with a physically implausible ball drop
distribution that is dynamically defined according to individual participant
input. This task will prove useful in more closely examining mechanisms of
statistical learning and mental model updating without requiring many of the
assumptions made by more traditional computational modeling methodologies.
- Abstract（参考訳）: 確率分布はベイズ人の認知的説明の中心であるが、行動評価はそれらを直接測定しない。
後部分布は通常、個々の参加者の行動の集合から計算されるが、参加者の信念の内部構造に関する結論を引き出すために用いられる。
また、明確に測定されていないのは、ベイズ模型と他者とを区別する以前の分布である。
代わりに、事前は実験者の直観やモデル仮定から導き出され、全ての参加者に等しく適用される。
本稿では,すべての結果に対してボール滴の分布を推定し,観察前に分布を明示的に測定する行動課題である「plinko」を用いた3つの実験について述べる。
実験1では,主観的確率分布(ガウス,バイモーダルなど)に先行する参加者が集まることを示す。
また,事前クラスタメンバシップは学習能力を示す可能性がある。
実験2では,発表されていない分布の変化に更新する能力と,環境操作による影響を強調する。
最後に,実験3では,個々の参加者が信頼できる表現であり,個々の参加者の入力に応じて動的に定義されたボールドロップ分布に直面すると,学習が妨げられなくなることを検証した。
この課題は、より伝統的な計算モデリング手法による仮定の多くを必要とせずに、統計学習とメンタルモデル更新のメカニズムをより精査する上で有用である。
関連論文リスト
- Probabilistic Contrastive Learning for Long-Tailed Visual Recognition [78.70453964041718]
細長い分布は、少数の少数派が限られた数のサンプルを含む実世界のデータにしばしば現れる。
近年の研究では、教師付きコントラスト学習がデータ不均衡を緩和する有望な可能性を示していることが明らかになっている。
本稿では,特徴空間の各クラスからのサンプルデータ分布を推定する確率論的コントラスト学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-03-11T13:44:49Z) - Intervention Generalization: A View from Factor Graph Models [7.117681268784223]
操作されたシステムの分布の因子化に関する最小限の仮定に基づいて、過去の実験から新しい条件への飛躍をいかに保証するかを詳しく検討する。
仮定された$textitinterventional Factor Model$ (IFM) は必ずしも情報であるとは限らないが、不測のコンバウンディングとフィードバックのメカニズムを明示的にモデル化する必要性を便利に抽象化する。
論文 参考訳（メタデータ） (2023-06-06T21:44:23Z) - Learning and Predicting Multimodal Vehicle Action Distributions in a
Unified Probabilistic Model Without Labels [26.303522885475406]
本稿では、個別の車両行動の代表集合を学習し、特定のシナリオに応じて各行動の確率を予測する統一確率モデルを提案する。
我々のモデルはまた、シナリオ上で条件付けられた連続的な軌道上の分布を推定することができ、そのシナリオで実行された場合、それぞれの離散アクションがどのように見えるかを表現します。
論文 参考訳（メタデータ） (2022-12-14T04:01:19Z) - Fairness Transferability Subject to Bounded Distribution Shift [5.62716254065607]
あるソース分布に「フェア」なアルゴリズム予測器が与えられたとしても、あるバウンダリ内のソースと異なる未知のターゲット分布上では、まだフェアなのか?
本研究では,有界分布シフトを考慮した機械学習予測器の統計的グループフェアネスの伝達可能性について検討する。
論文 参考訳（メタデータ） (2022-05-31T22:16:44Z) - Characterizing the robustness of Bayesian adaptive experimental designs
to active learning bias [3.1351527202068445]
本研究では,学習バイアスがベイズ適応型実験設計に悪影響を及ぼすことを示す。
我々は,誤識別に関する情報理論的な尺度を開発し,誤識別の悪さが学習バイアスの重大化を示唆していることを示す。
論文 参考訳（メタデータ） (2022-05-27T01:23:11Z) - Agree to Disagree: Diversity through Disagreement for Better
Transferability [54.308327969778155]
本稿では,D-BAT(Diversity-By-dis-Agreement Training)を提案する。
我々は、D-BATが一般化された相違の概念から自然に現れることを示す。
論文 参考訳（メタデータ） (2022-02-09T12:03:02Z) - Explain, Edit, and Understand: Rethinking User Study Design for
Evaluating Model Explanations [97.91630330328815]
我々はクラウドソーシング研究を行い、真偽のホテルレビューと偽のホテルレビューを区別するために訓練された詐欺検出モデルと対話する。
単語の線形バッグモデルでは、トレーニング中に特徴係数にアクセスした参加者は、非説明制御と比較して、テストフェーズにおいてモデルの信頼性が大幅に低下する可能性があることを観察する。
論文 参考訳（メタデータ） (2021-12-17T18:29:56Z) - Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。
エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。
我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文 参考訳（メタデータ） (2021-06-22T18:29:58Z) - A Statistical Test for Probabilistic Fairness [11.95891442664266]
不正な分類を検知するための統計的仮説テストを提案する。
理論的にも実証的にも,提案された試験が正しいことを示す。
さらに,提案フレームワークは,データの最も好ましい摂動を識別することにより,解釈可能性を提供する。
論文 参考訳（メタデータ） (2020-12-09T00:20:02Z) - Distributional Reinforcement Learning via Moment Matching [54.16108052278444]
ニューラルネットワークを用いて各戻り分布から統計量の有限集合を学習する手法を定式化する。
我々の手法は、戻り分布とベルマン目標の間のモーメントの全ての順序を暗黙的に一致させるものとして解釈できる。
Atariゲームスイートの実験により,本手法は標準分布RLベースラインよりも優れていることが示された。
論文 参考訳（メタデータ） (2020-07-24T05:18:17Z)
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。