Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind6. Februar 2025 · Q005963

Automated Discovery of Interpretable Cognitive Programs underlying Reward-guided behavior

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Der Abstract berichtet, dass CogFunSearch symbolische Programme fand, die Rattenentscheidungen besser vorhersagten als ein führendes kognitives Modell; informativere Prompts verbesserten die Ergebnisse. Ein einfaches neuronales Netz schnitt dennoch deutlich besser ab, und der vorliegende Auszug enthält keine weiteren methodischen Details.

Mittel

Der Abstract stellt CogFunSearch vor, ein LLM-gestütztes Verfahren zur automatisierten Suche nach verständlichen symbolischen Programmen, die kognitive Prozesse und Verhalten modellieren. Es soll die Verständlichkeit symbolischer Ansätze mit besserer Vorhersagekraft verbinden als bisherige kognitive Modelle.

Laut den Autoren wurde das Verfahren mit Daten zu belohnungsgeleiteten Entscheidungen von Ratten in einer Zwei-Arm-Aufgabe mit schwankenden Belohnungen geprüft. Die gefundenen Programme hätten das Wahlverhalten besser vorhergesagt als das damalige führende kognitive Modell – sowohl durch Verbesserung vorgegebener Programme als auch bei einer Suche von Grund auf. Prompts mit Informationen zum Datensatz und einem Reinforcement-Learning-Rahmen hätten bessere Ergebnisse geliefert als wenig informative Eingaben.

Ein einfaches, uneingeschränktes neuronales Netz habe jedoch sowohl die klassischen als auch die entdeckten Modelle deutlich übertroffen. Der Abstract beschreibt die Arbeit deshalb als frühen Schritt und sieht weiteres Potenzial für bessere Vorhersagen. Der bereitgestellte Text umfasst nur Abstract und bibliografische Angaben; Details zu Methoden, Messwerten und Programmen fehlen.

Ausführlich lesen

Der bereitgestellte Berichtsauszug beschreibt CogFunSearch, ein Verfahren zur automatisierten Entdeckung symbolischer Programme für Modelle kognitiver Prozesse. Ausgangspunkt ist ein in der Computational Neuroscience beschriebenes Spannungsfeld: Symbolische Modelle sind verständlich, sagen Tierverhalten laut Abstract aber oft weniger gut voraus. Datengetriebene, stark parametrisierte Modelle können genauer sein, gelten jedoch häufig als schwer interpretierbare Blackboxen. Die Arbeit untersucht, ob ein auf großen Sprachmodellen beruhendes Programmsuchverfahren – FunSearch – Programme finden kann, die Vorhersagekraft und Interpretierbarkeit verbinden.

Die Autoren berichten, CogFunSearch anhand von Verhaltensdaten zu belohnungsgeleiteten Entscheidungen von Nagern geprüft zu haben. In einer Aufgabe mit zwei Armen und im Zeitverlauf schwankenden Belohnungen habe das Verfahren Programme gefunden, die das Wahlverhalten von Ratten besser vorhersagten als das damals führende kognitive Modell. Das Ergebnis sei sowohl beim Verbessern vorgegebener Programme als auch bei der Suche von Grund auf erzielt worden. Außerdem sei die Qualität der gefundenen Programme von der Bedeutung der Eingabeaufforderung abhängig gewesen: Hinweise zur Datengrundlage und ein Rahmen aus dem Reinforcement Learning hätten zu quantitativ besseren Programmen geführt als wenig informative Prompts.

Der Abstract nennt zugleich eine wesentliche Einschränkung: Sowohl die klassischen Modelle als auch die entdeckten Programme seien von einem einfachen, aber nicht beschränkten neuronalen Netz deutlich übertroffen worden. Die Vorhersageleistung der gefundenen Funktionen biete demnach weiterhin erhebliches Verbesserungspotenzial. Die Autoren ordnen die Ergebnisse als erste Einblicke in den Einsatz LLM-gestützter Programmsuche für kognitive Modelle ein.

Der vorliegende Text enthält nur den Abstract sowie Angaben zu Autorenschaft und Publikationsort (bioRxiv), nicht den vollständigen Bericht. Daher liefert er keine näheren Angaben zu Versuchsaufbau, Kennzahlen, konkreten Programmstrukturen oder statistischen Auswertungen; solche Einzelheiten lassen sich aus diesem Auszug nicht beurteilen.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19 ungeprüft

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 7 von 7
Angezeigte Modelle
Tempo und Grenzen
Vertrauen in Modelle

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →