論文の概要: Approximating Attributed Incentive Salience In Large Scale Scenarios. A
Representation Learning Approach Based on Artificial Neural Networks
- arxiv url: http://arxiv.org/abs/2108.01724v1
- Date: Tue, 3 Aug 2021 20:03:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-06 00:56:28.968775
- Title: Approximating Attributed Incentive Salience In Large Scale Scenarios. A
Representation Learning Approach Based on Artificial Neural Networks
- Title（参考訳）: 大規模シナリオにおける分散型インセンティブサリエンスの適用
ニューラルネットワークを用いた表現学習手法
- Authors: Valerio Bonometti, Mathieu J. Ruiz, Anders Drachen, Alex Wade
- Abstract要約: インセンティブ・サリエンス属性による潜在状態を近似するための,人工知能ニューラルネットワーク(ANN)に基づく手法を提案する。
我々は,大規模時系列データセットを用いて,個人と一連のビデオゲームの相互作用の持続時間と強度を推定するANNを設計した。
- 参考スコア（独自算出の注目度）: 5.065947993017158
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Incentive salience attribution can be understood as a psychobiological
process ascribing relevance to potentially rewarding objects and actions.
Despite being an important component of the motivational process guiding our
everyday behaviour its study in naturalistic contexts is not straightforward.
Here we propose a methodology based on artificial neural networks (ANNs) for
approximating latent states produced by this process in situations where large
volumes of behavioural data are available but no strict experimental control is
possible. Leveraging knowledge derived from theoretical and computational
accounts of incentive salience attribution we designed an ANN for estimating
duration and intensity of future interactions between individuals and a series
of video games in a large-scale ($N> 3 \times 10^6$) longitudinal dataset.
Through model comparison and inspection we show that our approach outperforms
competing ones while also generating a representation that well approximate
some of the functions of attributed incentive salience. We discuss our findings
with reference to the adopted theoretical and computational frameworks and
suggest how our methodology could be an initial step for estimating attributed
incentive salience in large scale behavioural studies.
- Abstract（参考訳）: インセンティブ・サリエンス帰属(Incentive salience attribution)は、潜在的な報酬や行動との関連性を示す心理学的プロセスとして理解することができる。
日々の行動を導く動機づけプロセスの重要な要素であるにもかかわらず、自然主義的な文脈での研究は単純ではない。
本稿では,大量の行動データが利用可能だが,厳密な実験制御ができない状況において,この過程によって生じる潜在状態を近似する人工ニューラルネットワーク(anns)に基づく手法を提案する。
インセンティブ・サリエンス属性の理論的および計算的な説明から得られた知識を活用して,大規模(N>3 \times 10^6$)長大なデータセットにおいて,個人と一連のビデオゲームの相互作用の持続時間と強度を推定するANNを設計した。
モデル比較と検査により,本手法は競合する手法よりも優れており,属性付インセンティブ・サリエンスの機能をよく近似した表現を生成する。
本研究は理論・計算の枠組みを参考にし,提案手法が大規模行動研究における帰結的インセンティブ・サリエンスを推定するための第一歩となる可能性を示唆する。
関連論文リスト
- Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。
3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
論文 参考訳（メタデータ） (2024-10-31T22:54:34Z) - BLEND: Behavior-guided Neural Population Dynamics Modeling via Privileged Knowledge Distillation [6.3559178227943764]
本稿では,特権的知識蒸留による行動誘導型ニューラル人口動態モデリングフレームワークBLENDを提案する。
特権情報として行動を考えることにより、行動観察(私的特徴)と神経活動(正規特徴)の両方を入力として扱う教師モデルを訓練する。
学生モデルは神経活動のみを用いて蒸留される。
論文 参考訳（メタデータ） (2024-10-02T12:45:59Z) - Latent Variable Sequence Identification for Cognitive Models with Neural Bayes Estimation [7.7227297059345466]
本稿では,ニューラルベイズ推定を拡張して,実験データと対象変数空間との直接マッピングを学習する手法を提案する。
我々の研究は、リカレントニューラルネットワークとシミュレーションベースの推論を組み合わせることで、潜在変数配列を特定することで、研究者がより広範な認知モデルにアクセスできるようになることを強調している。
論文 参考訳（メタデータ） (2024-06-20T21:13:39Z) - A Novel Neural-symbolic System under Statistical Relational Learning [50.747658038910565]
本稿では,GBPGRと呼ばれる2段階の確率的グラフィカル推論フレームワークを提案する。
GBPGRでは、シンボル推論の結果を用いて、ディープラーニングモデルによる予測を洗練し、修正する。
提案手法は高い性能を示し, 帰納的タスクと帰納的タスクの両方において効果的な一般化を示す。
論文 参考訳（メタデータ） (2023-09-16T09:15:37Z) - Decoding Neural Activity to Assess Individual Latent State in
Ecologically Valid Contexts [1.1059590443280727]
2つの高度に制御された実験室のパラダイムからのデータを用いて、2つの異なるドメイン一般化モデルを訓練する。
我々は、下層の潜伏状態と関連する神経活動パターンを推定する。
論文 参考訳（メタデータ） (2023-04-18T15:15:00Z) - Latent Variable Representation for Reinforcement Learning [131.03944557979725]
モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。
状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。
特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-12-17T00:26:31Z) - Learnability of Competitive Threshold Models [11.005966612053262]
理論的観点から,競合しきい値モデルの学習可能性について検討する。
ニューラルネットワークによって競合しきい値モデルをシームレスにシミュレートする方法を実証する。
論文 参考訳（メタデータ） (2022-05-08T01:11:51Z) - Deep Active Learning by Leveraging Training Dynamics [57.95155565319465]
本稿では,学習力学を最大化するためにサンプルを選択する理論駆動型深層能動学習法(Dynamical)を提案する。
動的学習は、他のベースラインを一貫して上回るだけでなく、大規模なディープラーニングモデルでもうまくスケール可能であることを示す。
論文 参考訳（メタデータ） (2021-10-16T16:51:05Z) - Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。
本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。
我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
論文 参考訳（メタデータ） (2020-07-07T17:19:56Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳（メタデータ） (2020-06-22T08:35:58Z) - Latent Network Structure Learning from High Dimensional Multivariate
Point Processes [5.079425170410857]
本研究では,観測データの基盤となる複雑な過程を特徴付けるために,非定常ホークスプロセスの新たなクラスを提案する。
効率のよい最小二乗推定手法を用いて潜在ネットワーク構造を推定する。
シミュレーション研究を通じて提案手法の有効性を実証し, ニューロンスパイクトレインデータセットへの適用について述べる。
論文 参考訳（メタデータ） (2020-04-07T17:48:01Z)
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。