基于人工神经网络表征学习从大规模行为数据逼近归因激励显著性的流形结构
机器学习
2022-05-30 v2 机器学习
摘要
激励显著性归因可被理解为一种心理生物学机制，它将相关性赋予潜在具有奖赏价值的物体和行动。尽管它是指导我们日常行为的动机过程的重要组成部分，但在自然情境下对其进行研究并非易事。本文提出了一种基于人工神经网络（ANN）的方法，用于在拥有大量行为数据但无法进行实验控制的情况下，逼近该过程产生的潜在状态。利用从激励显著性归因的理论和计算描述中得出的知识，我们设计了一个 ANN，在一个大规模（）纵向数据集中，估计个体与一系列电子游戏之间未来交互的持续时间和强度。我们发现，电子游戏是开发此类方法的理想情境，因为它们依赖于奖励机制，并能大规模提供具有生态稳健性的行为测量。与竞争方法相比，我们的方法产生的表征更适用于预测未来行为的强度，并能逼近归因激励显著性的某些功能特性。我们参考所采用的理论和计算框架讨论了我们的发现，并提出了我们的方法如何成为在大规模行为研究中估计归因激励显著性的初步步骤。
引用
@article{arxiv.2108.01724,
title = {Approximating the Manifold Structure of Attributed Incentive Salience from Large Scale Behavioural Data. A Representation Learning Approach Based on Artificial Neural Networks},
author = {Valerio Bonometti and Mathieu J. Ruiz and Anders Drachen and Alex Wade},
journal= {arXiv preprint arXiv:2108.01724},
year = {2022}
}