論文の概要: Flexible social inference facilitates targeted social learning when rewards are not observable

• arxiv url: http://arxiv.org/abs/2212.00869v1
• Date: Thu, 1 Dec 2022 21:04:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 12:47:54.896803
• Title: Flexible social inference facilitates targeted social learning when rewards are not observable
• Title（参考訳）: フレキシブルな社会的推論は、報酬が観察できない時にターゲットとなる社会学習を促進する
• Authors: Robert D. Hawkins, Andrew M. Berdahl, Alex "Sandy" Pentland, Joshua B. Tenenbaum, Noah D. Goodman, P. M. Krafft
• Abstract要約: 柔軟な社会的推論の能力は、人間の集団行動において重要な役割を果たす。 最も初歩的な社会的認知能力でさえ、人間の集団行動の特徴的な柔軟性を促進する可能性がある。
• 参考スコア（独自算出の注目度）: 58.762004496858836
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Relying on others can be as risky as it can be rewarding. Advice seekers must disentangle good advice from bad, and balance the potential benefits of shared wisdom against the risks of being misled. Groups are most effective at sharing information and solving problems together when everyone is sensitive to ``who knows what.'' Acquiring such knowledge in the first place, however, is not trivial -- especially in contexts where background information is limited. What underlying cognitive abilities are needed for social learning to be useful in information-limited environments? Here, we propose that the capacity for flexible social inference plays a key role in human group behavior, allowing latent properties such as success or skill to be inferred from others' outward behavior even when there is no direct access to others' private rewards and "success" manifests differently from context to context. We begin by formalizing our proposal in a cognitive model and comparing this model's predictions against those of simpler heuristics in a series of computational simulations. We then evaluated these predictions in three large-scale behavioral experiments using a multi-agent search paradigm with hidden rewards. In Experiment 1, we found that average performance improves as a function of group size at a rate predicted by our model but not by three simpler alternatives. In Experiment 2, we placed human participants in controlled scenarios with artificial agents to more systematically evaluate the conditions under which people choose to rely on social information. Finally, in Experiment 3, we generalized these findings to a more complex and noisy environment, suggesting regimes where inferences may break down. Taken together, we find that even the most rudimentary social cognition abilities may facilitate the characteristic flexibility of human collective behavior.
• Abstract（参考訳）: 他人を頼りにするのは、報酬になるのと同じくらい危険です。 助言を求める者は、良いアドバイスを悪から遠ざけ、共有知恵の潜在的な利益を誤解されるリスクとバランスさせなければならない。 グループが情報の共有や問題解決に最も効果的であるのは,全員が‘何を知っているか’に敏感な時です。 しかし、そもそもそのような知識を取得するのは簡単ではない。特に背景情報が限られている状況では。 情報制限環境において,ソーシャルラーニングはどのような認知能力を必要とするのか? 本稿では,人間の集団行動において,柔軟な社会的推論の能力が重要な役割を担っており,他者の個人的報酬や「成功」が文脈によって異なる場合であっても,成功やスキルといった潜在性が他者の外部的行動から推測可能であることを提案する。 まず,本提案を認知モデルで定式化し,このモデルの予測を,一連の計算シミュレーションにおいて単純なヒューリスティックスと比較することから始める。 次に,隠れた報酬を含むマルチエージェント探索パラダイムを用いて,これらの予測を3つの大規模行動実験で評価した。 実験1では,モデルが予測する速度でグループサイズの関数として平均性能が向上するが,より単純な3つの選択肢は改善しないことがわかった。 実験2では,人工エージェントを用いた制御シナリオに人間の参加者を配置し,社会的情報に頼ろうとする条件をより体系的に評価した。 最後に,実験3では,これらの知見をより複雑でノイズの多い環境に一般化し,推論が故障する可能性のある状況が示唆された。 まとめると、最も初歩的な社会的認知能力でさえ、人間の集団行動の特徴的な柔軟性を促進することが分かる。

関連論文リスト

• Generative Agent Simulations of 1,000 People [56.82159813294894]
  本稿では,1,052人の実人の態度と行動をシミュレートする新しいエージェントアーキテクチャを提案する。 生成エージェントは一般社会調査の参加者の回答を85%の精度で再現する。 我々のアーキテクチャは、人種的およびイデオロギー的グループにおける正確さのバイアスを、人口統計学的記述のエージェントと比較して低減する。
  論文  参考訳（メタデータ） (2024-11-15T11:14:34Z)
• Learning mental states estimation through self-observation: a developmental synergy between intentions and beliefs representations in a deep-learning model of Theory of Mind [0.35154948148425685]
  心の理論(りょうがく、英: Theory of Mind、ToM)とは、信念、意図、精神状態などを他人に関連付ける能力である。 我々は,低レベル精神状態を予測する学習と,高レベル精神状態に寄与する学習との間に発達的な相乗効果を示す。 我々は,人間の社会的認知発達の理解に,我々の計算的アプローチが役立つことを示唆する。
  論文  参考訳（メタデータ） (2024-07-25T13:15:25Z)
• Social Motion Prediction with Cognitive Hierarchies [19.71780279070757]
  我々は新しいベンチマーク、新しい定式化、認知に触発されたフレームワークを紹介する。 We present Wusi, a 3D multi-person motion data under the context of team sports。 戦略的社会的相互作用を予測するための認知階層構造を構築した。
  論文  参考訳（メタデータ） (2023-11-08T14:51:17Z)
• Self-supervised Hypergraph Representation Learning for Sociological Analysis [52.514283292498405]
  本稿では,データマイニング技術と社会学的行動基準のさらなる融合を支援するための基本的な方法論を提案する。 まず,効率的なハイパーグラフ認識と高速グラフ構築フレームワークを提案する。 第2に,ユーザからユーザへのソーシャルインフルエンスを学習するためのハイパーグラフベースニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-12-22T01:20:29Z)
• Robot Learning Theory of Mind through Self-Observation: Exploiting the Intentions-Beliefs Synergy [0.0]
  心の理論(みんがく、英: Theory of Mind、TOM)は、他のエージェントの信念、意図、精神状態に起因する能力である。 我々は,意図や目標などの低レベル精神状態を予測する学習と,信念などの高レベル精神状態に寄与する学習の相乗効果を示す。 我々は,今後の適応型社会ロボットの設計に,我々のアーキテクチャ的アプローチが関係することを提案する。
  論文  参考訳（メタデータ） (2022-10-17T21:12:39Z)
• Co-Located Human-Human Interaction Analysis using Nonverbal Cues: A Survey [71.43956423427397]
  本研究の目的は,非言語的キューと計算手法を同定し,効果的な性能を実現することである。 この調査は、最も広い範囲の社会現象と相互作用設定を巻き込むことによって、相手と異なる。 もっともよく使われる非言語キュー、計算方法、相互作用環境、センシングアプローチは、それぞれマイクとカメラを備えた3,4人で構成される会話活動、ベクターマシンのサポート、ミーティングである。
  論文  参考訳（メタデータ） (2022-07-20T13:37:57Z)
• Deep reinforcement learning models the emergent dynamics of human cooperation [13.425401489679583]
  実験では、社会的認知メカニズムが集団行動の場所と時期にどのように貢献するかを明かすことができなかった。 我々は,多エージェントの深層強化学習を活用し,社会認知メカニズム,特に,評価の高い集団行動を達成するための本質的な動機をモデル化する。
  論文  参考訳（メタデータ） (2021-03-08T18:58:40Z)
• Expertise and confidence explain how social influence evolves along intellective tasks [10.525352489242396]
  本研究では,知的なタスクの連続を集団的に実行する個人集団における対人的影響について検討する。 本稿では, 過渡記憶系の理論, 社会的比較, 社会的影響の起源に関する信頼に関する実証的証拠を報告する。 これらの理論にインスパイアされた認知力学モデルを提案し、個人が時間とともに対人的影響を調整する過程を記述する。
  論文  参考訳（メタデータ） (2020-11-13T23:48:25Z)
• 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)
• Intrinsic Motivation for Encouraging Synergistic Behavior [55.10275467562764]
  スパース・リワード・シナジスティック・タスクにおける強化学習の探索バイアスとしての本質的モチベーションの役割について検討した。 私たちのキーとなる考え方は、シナジスティックなタスクにおける本質的なモチベーションのための優れた指針は、エージェントが自分自身で行動している場合、達成できない方法で世界に影響を与える行動を取ることである。
  論文  参考訳（メタデータ） (2020-02-12T19:34:51Z)

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。