基于贝叶斯主动学习的二维工作记忆任务性能
机器学习
2025-10-02 v1 人机交互
摘要
尽管自适应实验设计已经超越了基于阶梯的单维适应方式，但大多数认知实验仍只控制单个因素并用标量总结性能。我们在沉浸式虚拟测试环境中，对 5×5 工作记忆重建任务进行了一个二维贝叶斯主动分类方法的验证。控制的两个变量为：空间负荷 L（占用砖块的数量）和特征绑定负荷 K（物品的不同颜色数量）。刺激获取由非参数高斯过程（GP）概率分类器的后验不确定性所引导，该分类器输出一个关于 (L, K) 的概率面，而非单个阈值或最大跨度值。在一群年轻成年人中，我们将 GP 驱动的自适应模式（AM）与经典模式（CM）进行比较，后者仅在 K=3 时变化 L。对于该人群，两种方法在 K=3 时的平等性通过 0.755 的类间系数得到验证。此外，AM 揭示了空间负荷与特征绑定之间相互作用的个体差异。AM 的估计收敛速度更快，仅需约30个样本即可对完整模型进行准确拟合。
引用
@article{arxiv.2510.00375,
title = {Multidimensional Bayesian Active Machine Learning of Working Memory Task Performance},
author = {Dom CP Marticorena and Chris Wissmann and Zeyu Lu and Dennis L Barbour},
journal= {arXiv preprint arXiv:2510.00375},
year = {2025}
}
备注
37 pages, 7 figures