Automated Discovery of Interpretable Cognitive Programs underlying Reward-guided behavior
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.
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Tempo und Grenzen
- SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 37 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 50 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Vertrauen in Modelle
- SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 45 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 42 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug