論文の概要: Better Behavioral Prediction, More Faithful Model Ablations? Evidence from Sequential Choice

• arxiv url: http://arxiv.org/abs/2609.36097v1
• Date: Mon, 28 Sep 2026 18:38:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.95424
• Title: Better Behavioral Prediction, More Faithful Model Ablations? Evidence from Sequential Choice
• Title（参考訳）: 行動予測の改善, より忠実なモデルアブレーション : シーケンス選択による証拠
• Abstract要約: 認知を説明するために予測モデルを使用するには、正確な行動予測以上のものが必要である。 入力アブレーションは、モデルから情報を取り除き、結果のパフォーマンス変化を行動の重要性の証拠として解釈する、魅力的なルートを提供する。 我々は、既知の生成ポリシーを持つ2つの合成逐次バンディットタスクでテストする。
• 参考スコア（独自算出の注目度）: 0.2538209532048867
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Using predictive models to explain cognition requires more than accurate behavioral predictions. Input ablations offer an appealing route: remove information from a model and interpret the resulting performance change as evidence of its importance for behavior. Yet this inference assumes that the model's dependence on information reflects the dependence of the process generating the behavior. We test it in two synthetic sequential bandit tasks with known generating policies, where past choices can remain informative when feedback is unavailable to a predictor. We compare GRUs and Transformers trained from scratch, a fine-tuned LLaMA model, and cognitive models across systematically varied reward contributions. Our analyses distinguish prediction after training without reward observations from the response of a fixed predictor to donor-reward replacement. Three findings emerge. First, in the restless task, neural models trained without rewards predict held-out choices better than four simple training-fitted behavioral baselines. Second, under matched donor replacement, accurate predictors can respond much less than the known generator. Third, at some reward weights, neural networks predict better than a pooled reinforcement-learning model but have less faithful changes in choice probabilities; the model ordering differs between the two tasks. These independent-test results separate information sufficient for prediction from response fidelity under a specified ablation in sequential choice. They motivate validating model-ablation responses independently of predictive performance before using them to infer how the observed behavior was generated.
• Abstract（参考訳）: 認知を説明するために予測モデルを使用するには、正確な行動予測以上のものが必要である。 入力アブレーションは、モデルから情報を取り除き、結果のパフォーマンス変化を行動の重要性の証拠として解釈する、魅力的なルートを提供する。 しかし、この推測は、モデルが情報に依存することは、振る舞いを生成するプロセスの依存を反映していると仮定する。 予測器にフィードバックが得られない場合、過去の選択を情報として残すことができるような、既知の生成ポリシーを備えた2つの合成逐次バンドイットタスクでテストする。 我々は、スクラッチから訓練されたGRUとトランスフォーマー、微調整されたLLaMAモデル、体系的に異なる報酬貢献の認知モデルを比較した。 本分析は,報酬観察のないトレーニング後の予測を,ドナー・リワード置換に対する固定予測器の応答と区別する。 3つの発見がある。 第一に、レスレスタスクでは、報酬のないトレーニングされたニューラルネットワークは、単純なトレーニングに適合した4つの行動ベースラインよりも、ホールドアウトの選択を予測できる。 第二に、一致したドナー置換の下では、正確な予測子は既知のジェネレータよりもはるかに少ない応答をすることができる。 第三に、ある報奨重量では、ニューラルネットワークはプール化された強化学習モデルよりは良いが、選択確率の忠実な変化は少ない。 これらの独立テスト結果は、所定のアブレーションの下での応答忠実度からの予測に十分な情報を逐次選択で分離する。 彼らは予測性能とは無関係にモデルアブレーション応答を検証する動機付けを行い、それを用いて観察された振る舞いがどのように生成されたのかを推測した。

関連論文リスト

• Bounding the Causal Impact of ML-assisted Decision-Making via Counterfactual Correctness [2.9267249513932008]
  本稿では,新しいモデルの因果的効果に対する境界を構築するための部分同定手法を提案する。 このアプローチの中核的な革新は、詳細な予測精度に関する仮定を下流の結果に活用することである。
  論文  参考訳（メタデータ） (2026-07-23T20:45:10Z)
• Internal Causal Mechanisms Robustly Predict Language Model Out-of-Distribution Behaviors [61.92704516732144]
  正当性予測の最も堅牢な特徴は、モデルの振舞いに特徴的な因果的役割を果たすものであることを示す。 モデル出力の正しさを予測するために因果メカニズムを利用する2つの手法を提案する。
  論文  参考訳（メタデータ） (2025-05-17T00:31:39Z)
• How to select predictive models for causal inference? [0.0]
  従来の機械学習モデル選択は因果推論の最良の結果モデルを選択しないことを示す。 Rtext-risk$, フレキシブルな推定器を用いて列車集合上のニュアンスモデルを計算する。
  論文  参考訳（メタデータ） (2023-02-01T10:58:55Z)
• Rationalizing Predictions by Adversarial Information Calibration [65.19407304154177]
  我々は2つのモデルを共同で訓練する: 1つは、正確だがブラックボックスな方法でタスクを解く典型的なニューラルモデルであり、もう1つは、予測の理論的根拠を付加するセレクタ・予測モデルである。 我々は,2つのモデルから抽出した情報を,それらの違いが欠落した特徴や過度に選択された特徴の指標であるように校正するために,敵対的手法を用いる。
  論文  参考訳（メタデータ） (2023-01-15T03:13:09Z)
• Selective Prediction via Training Dynamics [31.708701583736644]
  本研究では,モデルのトレーニング力学を学習することで,最先端の選択的予測性能が得られることを示す。 特に、トレーニングの後半段階で最終予測と大差ないデータポイントを拒否する。 提案された拒絶機構はドメインに依存しない(すなわち、離散予測と実数値予測の両方に有効)、既存の選択的予測手法と柔軟に組み合わせることができる。
  論文  参考訳（メタデータ） (2022-05-26T17:51:29Z)
• Pathologies of Pre-trained Language Models in Few-shot Fine-tuning [50.3686606679048]
  実例が少ない事前学習言語モデルはラベル間に強い予測バイアスを示すことを示す。 わずかな微調整で予測バイアスを軽減できるが,本分析では,非タスク関連の特徴を捉えることで,モデルの性能向上を図っている。 これらの観察は、より少ない例でモデルのパフォーマンスを追求することは、病理学的予測行動を引き起こす可能性があることを警告する。
  論文  参考訳（メタデータ） (2022-04-17T15:55:18Z)
• Conformal Prediction Under Feedback Covariate Shift for Biomolecular Design [56.86533144730384]
  本稿では,トレーニングデータとテストデータが統計的に依存した環境での予測不確実性を定量化する手法を提案する。 モチベーション・ユースケースとして,本手法が設計したタンパク質の適合性予測の不確かさを定量化する方法を実データで示す。
  論文  参考訳（メタデータ） (2022-02-08T02:59:12Z)
• 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)
• Thought Flow Nets: From Single Predictions to Trains of Model Thought [39.619001911390804]
  人間が複雑な問題を解くと、すぐに決定が下されることはめったにない。 その代わり、彼らは直感的な決定から始まり、間違いを見つけ、矛盾を解決し、異なる仮説の間を飛び交う。
  論文  参考訳（メタデータ） (2021-07-26T13:56:37Z)
• Learning from the Best: Rationalizing Prediction by Adversarial Information Calibration [39.685626118667074]
  2つのモデルを共同でトレーニングする。1つは手前のタスクを正確だがブラックボックスな方法で解く典型的なニューラルモデルであり、もう1つはセレクタ-予測モデルであり、予測の根拠も生み出す。 両モデルから抽出した情報の校正には,逆数に基づく手法を用いる。 自然言語タスクには, 言語モデルに基づく正規化子を用いて, 流線型論理の抽出を促進することを提案する。
  論文  参考訳（メタデータ） (2020-12-16T11:54:15Z)
• Are Visual Explanations Useful? A Case Study in Model-in-the-Loop Prediction [49.254162397086006]
  画像に基づく年齢予測課題における視覚的満足度に基づく説明について検討する。 モデル予測の提示により,人間の精度が向上することが判明した。 しかし、様々な種類の説明は、人間の正確さやモデルの信頼を著しく変えることができない。
  論文  参考訳（メタデータ） (2020-07-23T20:39:40Z)

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。