面向神经网络的动态决策认知模型

在动态决策任务中建模人类认知过程是人工智能领域长期致力的一个目标，因为这类模型有助于提升AI系统的直觉性、个性化程度，减轻人类偏见，并增强仿真中的训练效果。早期工作常尝试利用神经网络（及大型语言模型），但往往假设所有人的模型一致，以整体行为为目标模拟。然而，每个人的行为都是独特的、异构的，并且依赖于特定任务中过去的经验。例如，考虑两个针对网络钓鱼邮件的个体：一个曾遇到并识别此类威胁，可能迅速识别出其危险；而缺乏此类经验的另一个人则可能轻易中招。本文基于实例学习（IBL）开展工作，该方法认为人类决策基于过去遇到的相似情境。然而，IBL依赖于简单固定形式的函数来捕捉从过去情境到当前决策的映射。为此，我们提出两种基于注意力机制的神经网络模型，以开放形式的非线性函数建模动态环境中差异化和异构的人类决策。我们实验了两个来自人类主体实验数据的数据集：一个聚焦于人类检测网络钓鱼邮件，另一个则让人类在网络安全情境下扮演攻击者，决定攻击方案。我们对两种神经网络模型、IBL 和 GPT3.5 进行了广泛实验，证明神经网络模型在代表人类决策方面显著优于IBL，而在解释人类决策方面则与IBL相当。总体而言，本工作为神经网络在人类决策认知建模中发挥作用提供了有前景的成果。