将神经信号映射到智能体性能：迈向基于神经反馈的强化学习
机器学习
2025-06-17 v1
摘要
隐式人机循环强化学习（Implicit Human-in-the-Loop Reinforcement Learning, HITL-RL）是一种将被动人类反馈融入自主智能体训练、同时最小化人类工作负荷的方法论。然而，现有方法往往依赖主动指令，要求参与者通过不自然的表达或手势来教导智能体。我们提出了 NEURO-LOOP，一个利用人类内在奖赏系统驱动人机交互的隐式反馈框架。本工作展示了 NEURO-LOOP 框架中关键的第一步的可行性：将脑信号映射到智能体性能。我们使用功能性近红外光谱（fNIRS）设计了一个数据集，以支持未来利用被动脑机接口进行人机循环强化学习的研究。参与者被要求观察或引导一个强化学习智能体在其环境中运行，同时收集前额叶皮层的信号。我们得出结论：fNIRS 数据与智能体性能之间存在关系，这一结论是通过经典机器学习技术得出的。最后，我们强调了神经接口在未来人机交互、辅助人工智能和自适应自主系统中的应用潜力。
引用
@article{arxiv.2506.12636,
title = {Mapping Neural Signals to Agent Performance, A Step Towards Reinforcement Learning from Neural Feedback},
author = {Julia Santaniello and Matthew Russell and Benson Jiang and Donatello Sassaroli and Robert Jacob and Jivko Sinapov},
journal= {arXiv preprint arXiv:2506.12636},
year = {2025}
}