图灵学习：一种无度量推断行为的方法及其在群体中的应用

我们提出图灵学习（Turing Learning），一种用于推断自然或人工系统行为的新型系统辨识方法。图灵学习同时优化两个计算机程序种群，一个代表被研究系统行为的模型，另一个代表分类器。通过观测系统行为以及模型产生的行为，获得两组数据样本。分类器因区分这两组样本（即正确将数据样本分类为真实或伪造）而获得奖励。反之，模型因“欺骗”分类器将其数据样本分类为真实而获得奖励。与其他系统辨识方法不同，图灵学习不需要预定义度量来量化系统与其模型之间的差异。我们给出了两个基于模拟机器人集群的案例研究，并证明底层行为无法被基于度量的系统辨识方法推断。相比之下，图灵学习以高精度推断出行为。它还产生一个有用的副产品——分类器——可用于检测集群中的异常行为。此外，我们展示了图灵学习也能成功推断物理机器人集群的行为。结果表明，集体行为可直接从集群中个体的运动轨迹推断，这可能对动物集群研究具有重要意义。此外，每当行为难以用度量表征时，图灵学习都能发挥作用，使其适用于广泛应用。