规模化的人类行为生成建模
机器学习
2025-02-24 v1
摘要
随着AI在建模人类行为方面的应用不断增长，尤其是在人类与此类技术交互的领域。虽然已有工作在聚合层面建模人类行为，但我们的目标是针对个体层面进行建模。近期的行为风格鉴别技术——即仅凭行为即可识别个人身份的任务——在象棋等领域取得了 promising 的进展，但这些方法要么不可扩展（例如为每个人单独微调模型），要么不可生成，即无法生成行为。我们通过将行为风格鉴别建模为多任务学习问题来克服这些限制，其中每个任务代表一个 distinct 个人。我们使用参数高效微调（PEFT）方法为每个人学习显式风格向量。风格向量是可生成的：它们选择性地激活共享“技能”参数以生成每个人的风格化行为。它们还诱导出可算法解释和操控的潜在空间。特别是，我们发展了一种通用的风格驾驶技术，允许将某个玩家的风格向量驾驶至所需属性。我们将方法应用于两个截然不同的游戏：象棋（47,864名选手）和 Rocket League（2,000名选手）。我们还展示了方法在游戏之外的通用性，通过学习10,177位名人明星的风格向量并利用这些向量驾驶其形象。
引用
@article{arxiv.2502.14998,
title = {Generative Modeling of Individual Behavior at Scale},
author = {Nabil Omi and Lucas Caccia and Anurag Sarkar and Jordan T. Ash and Siddhartha Sen},
journal= {arXiv preprint arXiv:2502.14998},
year = {2025}
}