περίληψη: Χρησιμοποιώντας δεδομένα από το παιχνίδι “Ebb and Flow”, οι ερευνητές εκπαιδεύουν αλγόριθμους μηχανικής μάθησης για να μιμούνται την ικανότητα ενός ανθρώπου να μετατοπίζει την προσοχή μεταξύ των εργασιών. Τα ευρήματα ρίχνουν νέο φως στον γνωστικό έλεγχο και μπορεί να διευρύνουν την τρέχουσα κατανόηση των διαταραχών που χαρακτηρίζονται από έλλειψη γνωστικού ελέγχου, όπως η διπολική διαταραχή και η σχιζοφρένεια.
πηγή: Γιούτα Όστιν
Οι επιστήμονες χρησιμοποιούν υπερυπολογιστές και δεδομένα από το παιχνίδι Παλίρροιες Να εκπαιδεύσει μοντέλα βαθιάς μάθησης που προσομοιώνουν την ανθρώπινη συμπεριφορά «εναλλαγής εργασιών», μετατοπίζοντας την προσοχή από τη μια εργασία στην άλλη.
Αυτή η βασική έρευνα είναι σημαντική για να βοηθήσει τους επιστήμονες να κατανοήσουν τον γνωστικό έλεγχο, ο οποίος περιλαμβάνει τις βασικές νοητικές διεργασίες που επιτρέπουν σε κάποιον να επικεντρωθεί στην εργασία που έχει να κάνει, αλλά και να αποσυρθεί ευέλικτα από την εργασία εάν παραστεί ανάγκη. Αυτές οι ικανότητες φορολογούνται από το παιχνίδι Ebb and Flow που μελέτησαν οι ερευνητές.
Η έρευνα μπορεί επίσης να είναι χρήσιμη για την κατανόηση ασθενειών στις οποίες οι ασθενείς εμφανίζουν ελλείμματα στον γνωστικό έλεγχο, όπως η διπολική διαταραχή και η σχιζοφρένεια.
Κατά τη διάρκεια του παιχνιδιού, ο παίκτης χρησιμοποιεί τα πλήκτρα βέλους στο πληκτρολόγιο για να υποδείξει την κατεύθυνση που δείχνουν τα πράσινα φύλλα και την κατεύθυνση που κινούνται τα κόκκινα φύλλα, καθώς τα πράσινα φύλλα εναλλάσσονται με τα κόκκινα. Η εστίασή του συχνά μετατοπίζεται από μια εργασία στην Επόμενο.
“Έχουμε αναπτύξει έναν νέο τρόπο για να μοντελοποιούμε αυτά τα δεδομένα που κάνει λιγότερες υποθέσεις για το πώς ο εγκέφαλος εκτελεί μια δεδομένη εργασία”, δήλωσε ο Paul Jaffe, μεταδιδακτορικός συνεργάτης που συνεργάζεται με τον καθηγητή Russell Poldrack, Τμήμα Ψυχολογίας του Πανεπιστημίου Stanford.
Jaffe και Poldrack, συν-συγγραφείς μιας μελέτης που ανέπτυξε νέα, πιο ρεαλιστικά μοντέλα για την εναλλαγή εργασιών, που δημοσιεύτηκε στο Η φύση της ανθρώπινης συμπεριφοράς τον Ιανουάριο του 2023.
Τα τρέχοντα μοντέλα γνωστικής επεξεργασίας συνδυάζουν απλά στοιχεία με έναν αυστηρό τρόπο «από πάνω προς τα κάτω».
“Κάνουν πολλές υποθέσεις για το πώς ο εγκέφαλος κάνει την εργασία. Ή έχουν άλλους περιορισμούς, όπως δεν μπορούν πραγματικά να χωρέσουν τα δεδομένα των συμμετεχόντων”, είπε ο Jaffe.
Ο Jaffe και οι συνεργάτες του ανέπτυξαν ένα πλαίσιο για τη μοντελοποίηση της ανθρώπινης συμπεριφοράς σε γνωστικές εργασίες που ονομάζεται DyVA task. Χρησιμοποιεί δυναμικά νευρωνικά δίκτυα που λαμβάνουν ερεθίσματα εργασιών ως είσοδο και δημιουργούν απαντήσεις εργασιών ως έξοδο, όπως ακριβώς κάνουν οι άνθρωποι όταν ασχολούνται με μια εργασία.
«Το πλαίσιο DyVA μας επέτρεψε όχι μόνο να χωρέσουμε τις τεράστιες ποσότητες δεδομένων Ebb και Flow που έχουμε στη διάθεσή μας, αλλά και να μοντελοποιήσουμε τις ατομικές διαφορές των συμμετεχόντων», είπε ο Jaffe. Μπορούμε να προσαρμόσουμε ένα μοντέλο στα δεδομένα κάθε ατόμου και μετά να δούμε πώς διαφέρουν τα μοντέλα. Μπορούμε στη συνέχεια να κοιτάξουμε μέσα στον «εγκέφαλο» του μοντέλου – το νευρωνικό δίκτυο – και να καταλάβουμε πώς κάνει τις εργασίες».
Η ομάδα προσάρμοσε αλγόριθμους μηχανικής μάθησης που ονομάζονται μεταβλητοί αυτοκωδικοποιητές, μια μέθοδος που αναπτύχθηκε για να χειρίζεται τα συμπεράσματα και τη μάθηση χρησιμοποιώντας προκλητικά μοντέλα πιθανοτήτων.
Η ερευνητική ομάδα πήρε κατανομές στον υπερυπολογιστή Maverick2 του Texas Advanced Computing Center (TACC), ένα σύστημα που προορίζεται για φόρτους εργασίας μηχανικής εκμάθησης που επιτυγχάνονται από πλαίσια που τροφοδοτούνται από GPU που μπορούν να εκμεταλλευτούν 24 κόμβους GPU NVidia. GTX 1080 Ti. , με τέσσερις GPU ανά κόμβο, συν τρεις κόμβους με δύο GPU NVidia P100.
«Το TACC ήταν απαραίτητο για να ολοκληρωθεί αυτό το έργο λόγω των διαθέσιμων GPU, υλικού που είναι ουσιαστικά βελτιστοποιημένο για να υπολογίζει πολλά πολλαπλάσια μήτρας πολύ γρήγορα, μια διαδικασία που χρησιμοποιείται συχνά σε μοντέλα βαθιάς μάθησης όπως αυτό που χρησιμοποιήσαμε σε αυτή τη μελέτη», είπε ο Jaffe.
Ο Russell Poldrack πρόσθεσε ότι “οι GPU μπορούν να επιταχύνουν σημαντικά τη διαδικασία σύνθεσης και δοκιμής μοντέλων μηχανικής εκμάθησης. Η προσαρμογή στο Maverick2 μας επέτρεψε να προχωρήσουμε αυτήν την εργασία πολύ πιο γρήγορα από ό,τι θα μπορούσαμε χωρίς αυτόν τον πόρο.”
Οι ερευνητές χρησιμοποίησαν πόρους υπερυπολογιστών Maverick2 και υπάρχοντα μη αναγνωρισμένα σύνολα δεδομένων από 140 συμμετέχοντες Ebb and Flow ηλικίας 20 έως 89 ετών για να αναπτύξουν το πλαίσιο μοντελοποίησης τους και, τελικά, να κάνουν ερωτήσεις μέσω ανάλυσης μοντέλων σχετικά με τον τρόπο με τον οποίο ο εγκέφαλος εκτελεί μια εργασία.
Κοιτάξαμε μέσα σε αυτά τα μοντέλα για να προσπαθήσουμε να καταλάβουμε πώς κάνουν τις εργασίες. Ένα πράγμα που βρήκαμε είναι ότι οι δύο εργασίες στην ευρύτερη εργασία εναλλαγής εργασιών αντιπροσωπεύονται σε διαφορετικές περιοχές του λανθάνοντος χώρου του μοντέλου, που είναι μια αφηρημένη αναπαράσταση των μεταβλητών που εμπλέκονται σε αυτή τη συγκεκριμένη εργασία. Βρήκαμε δύο διαφορετικές περιοχές του «εγκεφάλου» του μοντέλου που εκτελούν κάθε εργασία», είπε ο Jaffe.
Αυτό το εύρημα θα μπορούσε να εξηγήσει γιατί υπάρχει ένα «κόστος εναλλαγής» – επιβράδυνση των αποκρίσεων όταν οι άνθρωποι αλλάζουν εργασίες – καθώς η δραστηριότητα απαιτεί χρόνο για να μετακινηθεί από τη μια περιοχή του εγκεφάλου στην άλλη. Επιπλέον, το μοντέλο μπορεί να εξηγήσει γιατί είναι ωφέλιμο για τον εγκέφαλο να κατανέμει αυτές τις εργασίες, σε αντίθεση με το να έχει απλώς κεντρικό έλεγχο.
Αυτό υποστηρίζει μια ιδέα σε μια μελέτη του 2022 από τους επιστήμονες Moslick και Cohen.
«Διαπιστώσαμε ότι διαχωρίζοντας τις εργασίες σε αυτές τις δύο διαφορετικές περιοχές του εγκεφάλου, αυτό κάνει το μοντέλο πιο εύρωστο, καθώς είναι πιο δύσκολο για τον θόρυβο να διαταράξει την εργασία σε κάθε μία από αυτές τις περιοχές του εγκεφάλου. Διατηρώντας τα πράγματα ξεχωριστά, επιτρέπει στον εγκέφαλο να κάνει όλη η δουλειά. εργασία πολύ καλά, χωρίς να μπερδεύονται τα σήματα από την άλλη εργασία», πρόσθεσε ο Jaffe.
Στο μέλλον, η επιστημονική ομάδα προσπαθεί να προσαρμόσει το μοντέλο σε άλλες εργασίες και ακόμη και να το εκπαιδεύσει σε πολλαπλές εργασίες για να αρχίσει να κατανοεί και να αναπτύσσει νέα μοντέλα που μπορούν να εξηγήσουν πώς οι άνθρωποι επιτυγχάνουν γενίκευση από περιορισμένη εμπειρία και εκτελούν ένα ευρύ φάσμα σύνθετων εργασιών που συναντάμε σε καθημερινή ζωή.
Για παράδειγμα, οι σαρώσεις εγκεφάλου fMRI, μια τεχνική που χρησιμοποιείται από το εργαστήριο του Poldrack, μπορούν να προσαρμοστούν σε μοντέλο για τη λήψη τόσο νευρικών δεδομένων όσο και δεδομένων συμπεριφοράς. Τότε μπορούμε να αρχίσουμε να καταλαβαίνουμε πώς ο εγκέφαλος δημιουργεί αυτές τις περίπλοκες συμπεριφορές. Αυτός είναι ένας από τους μακροπρόθεσμους στόχους που έχουμε για το πλαίσιο DyVA. “
Το Poldrack Lab επεξεργάζεται επί του παρόντος μεγάλο αριθμό ανοιχτά κοινοποιημένων συνόλων δεδομένων fMRI χρησιμοποιώντας κατανομή τροχιάς στον υπερυπολογιστή Frontera της TACC.
Ο Jaffe είπε, “Για να χωρέσουν τα πολύπλοκα μοντέλα που θα χρειαζόταν για να εξηγηθεί ο εγκέφαλος και να εξηγηθεί η συμπεριφορά, χρειάζεται πραγματικά ισχυρά υπολογιστικά συστήματα και, ειδικότερα, μονάδες επεξεργασίας γραφικών. Οι υπερυπολογιστικοί πόροι όπως αυτοί στο TACC είναι απαραίτητοι για να γίνει αυτό το σημαντικό έργο. ”
Σχετικά με αυτές τις ειδήσεις έρευνας τεχνητής νοημοσύνης και γνώσης
συγγραφέας: Χόρχε Σαλαζάρ
πηγή: Γιούτα Όστιν
επικοινωνία: Χόρχε Σαλαζάρ – Γιούτα Όστιν
εικόνα: Η εικόνα είναι δημόσια
Αρχική αναζήτηση: Κλειστή πρόσβαση.
“Μοντελοποίηση της ανθρώπινης συμπεριφοράς σε γνωστικές εργασίες χρησιμοποιώντας λανθάνοντα δυναμικά συστήματαΓράφτηκε από τον Paul Jaffe et al. Η φύση της ανθρώπινης συμπεριφοράς
μια περίληψη
Μοντελοποίηση της ανθρώπινης συμπεριφοράς σε γνωστικές εργασίες χρησιμοποιώντας λανθάνοντα δυναμικά συστήματα
Τα δεδομένα χρόνου απόκρισης που συλλέγονται από γνωστικές εργασίες αποτελούν ακρογωνιαίο λίθο της έρευνας ψυχολογίας και νευροεπιστήμης, ωστόσο τα τρέχοντα μοντέλα αυτών των δεδομένων είτε κάνουν ισχυρές υποθέσεις σχετικά με τη διαδικασία παραγωγής δεδομένων είτε περιορίζονται στη μοντελοποίηση ατομικών εμπειριών.
Παρουσιάζουμε την εργασία DyVA, ένα πλαίσιο βαθιάς μάθησης στο οποίο εκπαιδεύονται δυναμικά, εκφραστικά συστήματα ώστε να αναπαράγουν ακολουθίες χρόνων απόκρισης που παρατηρούνται σε δεδομένα από μεμονωμένα άτομα. Τα μοντέλα εξοπλισμένα με ένα μεγάλο σύνολο δεδομένων εναλλαγής εργασιών κατέγραψαν διαφορές συμπεριφοράς για συγκεκριμένο θέμα σε υψηλή χρονική ανάλυση, συμπεριλαμβανομένου του κόστους εναλλαγής εργασιών.
Μέσα από πειράματα διαταραχών και αναλύσεις της λανθάνουσας δυναμικής των μοντέλων, βρίσκουμε υποστήριξη για έναν ορθολογικό υπολογισμό του κόστους μεταγωγής σε σχέση με την αντιστάθμιση μεταξύ σταθερότητας και ελαστικότητας. Έτσι, το πλαίσιο μας μπορεί να χρησιμοποιηθεί για να ανακαλύψουμε ερμηνεύσιμες γνωστικές θεωρίες που εξηγούν πώς ο εγκέφαλος οδηγεί δυναμικά στη συμπεριφορά.
“Ερασιτέχνης διοργανωτής. Εξαιρετικά ταπεινός web maven. Ειδικός κοινωνικών μέσων Wannabe. Δημιουργός. Thinker.”