对抗构造：大规模任务空间实验设计问题的潜在解决方案
机器学习
2026-02-04 v1 神经元与认知
摘要
尽管已有数十年的工作，仍缺乏对最简单领域内人类行为的稳健、通用的理论。本文直面普遍性问题，旨在发展覆盖嵌入于任务空间内所有任务的统一模型。具体而言，我们考虑二元序列预测任务的空间，其中观察由由隐藏马尔可夫模型 (HMM) 参数化的空间生成。由于任务空间庞大，对整个空间的实验探索不可行。为解决此问题，我们提出了对抗构造方法，这有助于识别最可能引发定性新行为的任务。我们的结果表明，对抗构造显著优于随机抽样环境，因此可用作高维任务空间最优实验设计的代理。
引用
@article{arxiv.2602.03172,
title = {Adversarial construction as a potential solution to the experiment design problem in large task spaces},
author = {Prakhar Godara and Frederick Callaway and Marcelo G. Mattar},
journal= {arXiv preprint arXiv:2602.03172},
year = {2026}
}
备注
7 pages, 7 figures