論文の概要: Capturing the Complexity of Human Strategic Decision-Making with Machine Learning

• arxiv url: http://arxiv.org/abs/2408.07865v1
• Date: Thu, 15 Aug 2024 00:39:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-16 15:28:57.393755
• Title: Capturing the Complexity of Human Strategic Decision-Making with Machine Learning
• Title（参考訳）: 機械学習による戦略的意思決定の複雑さの把握
• Authors: Jian-Qiao Zhu, Joshua C. Peterson, Benjamin Enke, Thomas L. Griffiths,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.308322597847064
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding how people behave in strategic settings--where they make decisions based on their expectations about the behavior of others--is a long-standing problem in the behavioral sciences. We conduct the largest study to date of strategic decision-making in the context of initial play in two-player matrix games, analyzing over 90,000 human decisions across more than 2,400 procedurally generated games that span a much wider space than previous datasets. We show that a deep neural network trained on these data predicts people's choices better than leading theories of strategic behavior, indicating that there is systematic variation that is not explained by those theories. We then modify the network to produce a new, interpretable behavioral model, revealing what the original network learned about people: their ability to optimally respond and their capacity to reason about others are dependent on the complexity of individual games. This context-dependence is critical in explaining deviations from the rational Nash equilibrium, response times, and uncertainty in strategic decisions. More broadly, our results demonstrate how machine learning can be applied beyond prediction to further help generate novel explanations of complex human behavior.
• Abstract（参考訳）: 人々が戦略的にどのように振る舞うかを理解する — 他人の行動に対する期待に基づいて意思決定をする — は、行動科学における長年の問題である。 我々は、2400以上の手続き的に生成されたゲームで90,000人以上の人間の決定を解析し、以前のデータセットよりもはるかに広い空間にまたがる。 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、戦略行動の理論よりも人々の選択を予測し、これらの理論では説明できない体系的なバリエーションが存在することを示す。 次に、ネットワークを変更して、新しい解釈可能な行動モデルを作成し、元のネットワークが人々について学んだことを明らかにする。 この文脈依存性は、合理的なナッシュ均衡、応答時間、戦略的決定の不確実性から逸脱することを説明する上で重要である。 より広範に、我々の結果は、複雑な人間の行動に関する新しい説明を生み出すために、予測を超えて機械学習をどのように適用できるかを実証している。

関連論文リスト

• The Double-Edged Sword of Behavioral Responses in Strategic Classification: Theory and User Studies [7.695481260089599]
  本稿では,アルゴリズムに対する人間の反応の行動バイアスを考慮した戦略的分類モデルを提案する。 分類器の誤認が、偏りのあるエージェントと合理的なエージェントの反応の異なるタイプの相違をもたらすことを示す。 行動バイアスのある戦略的エージェントは、完全に合理的な戦略エージェントと比較して、会社に利益をもたらすか、または(予想外の)害を与える可能性があることを示す。
  論文  参考訳（メタデータ） (2024-10-23T17:42:54Z)
• Language-based game theory in the age of artificial intelligence [0.6187270874122921]
  感情分析は、経済的な結果を超えた人間の行動を説明することができることを示す。 我々のメタ分析は、感情分析が経済的な結果を超えた人間の行動を説明することができることを示している。 この研究が、人間の決定における言語の重要性を強調する新しいゲーム理論アプローチの舞台となることを願っている。
  論文  参考訳（メタデータ） (2024-03-13T20:21:20Z)
• Manipulation Risks in Explainable AI: The Implications of the Disagreement Problem [0.0]
  返却された説明を彼らの利益に適応させるために、プロバイダがデプロイできるさまざまな戦略の概要を提供します。 プロバイダが関与しなければならないいくつかの目標と具体的なシナリオを分析します。 これらの手法が広く実施される前に,今,この問題を調査し,緩和策を提案することが重要である。
  論文  参考訳（メタデータ） (2023-06-24T07:21:28Z)
• 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)
• JECC: Commonsense Reasoning Tasks Derived from Interactive Fictions [75.42526766746515]
  本稿では,人間のインタラクティブ・フィクション(IF)ゲームプレイ・ウォークスルーに基づく新しいコモンセンス推論データセットを提案する。 本データセットは,事実知識ではなく,機能的コモンセンス知識ルールの評価に重点を置いている。 実験の結果、導入したデータセットは、以前の機械読影モデルと新しい大規模言語モデルに難題であることが示されている。
  論文  参考訳（メタデータ） (2022-10-18T19:20:53Z)
• Interpreting Neural Policies with Disentangled Tree Representations [58.769048492254555]
  本稿では,コンパクトなニューラルポリシーの解釈可能性について,不整合表現レンズを用いて検討する。 決定木を利用して,ロボット学習における絡み合いの要因を抽出する。 学習したニューラルダイナミクスの絡み合いを計測する解釈可能性指標を導入する。
  論文  参考訳（メタデータ） (2022-10-13T01:10:41Z)
• Anti-Retroactive Interference for Lifelong Learning [65.50683752919089]
  我々は脳のメタラーニングと連想機構に基づく生涯学習のパラダイムを設計する。 知識の抽出と知識の記憶という2つの側面から問題に取り組む。 提案した学習パラダイムが,異なるタスクのモデルを同じ最適に収束させることができることを理論的に分析した。
  論文  参考訳（メタデータ） (2022-08-27T09:27:36Z)
• Strategic Representation [20.43010800051863]
  戦略マシンは ユーザーを操る表現を作れます 我々はこれを学習問題として定式化し、操作に頑健な意思決定のためのアルゴリズムを追求する。 我々の主な成果は、戦略的表現に拘わらずエラーを最小限に抑える学習アルゴリズムである。
  論文  参考訳（メタデータ） (2022-06-17T04:20:57Z)
• Who Leads and Who Follows in Strategic Classification? [82.44386576129295]
  戦略分類における役割の順序は、決定者とエージェントが互いの行動に適応する相対周波数によって決定される。 更新頻度を自由に選択できる意思決定者は,いずれの順番でスタックルバーグ均衡に収束する学習力学を誘導できることを示す。
  論文  参考訳（メタデータ） (2021-06-23T16:48:46Z)
• Modeling the EdNet Dataset with Logistic Regression [0.0]
  私たちは、教育データマイニングの観点から競争の経験を説明します。 我々は,kaggleシステムにおける基礎的結果と,その改善の可能性について考察した。
  論文  参考訳（メタデータ） (2021-05-17T20:30:36Z)
• Vulnerability Under Adversarial Machine Learning: Bias or Variance? [77.30759061082085]
  本研究では,機械学習が訓練された深層ニューラルネットワークのバイアスと分散に与える影響について検討する。 我々の分析は、ディープニューラルネットワークが対向的摂動下で性能が劣っている理由に光を当てている。 本稿では,計算処理の複雑さをよく知られた機械学習手法よりも低く抑えた,新しい逆機械学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-01T00:58:54Z)

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。