Parallel development of social preferences in fish and machines

要約

社会的グループ分けの計算上の基礎は何ですか?
この質問に対する従来のアプローチは、口頭での推論または単純な (低次元の) 定量的モデルに焦点を当ててきました。
しかし、現実の世界では、動物と世界との具体的な相互作用中に、高次元の学習システム (脳と身体) が高次元の感覚入力と相互作用するときに、社会的選好が現れます。
したがって、社会的グループ化を深く理解するには、高次元の学習メカニズムを使用して感覚入力から直接学習する具体化されたモデルが必要になります。
この目的を達成するために、人工ニューラル ネットワーク (ANN) を構築し、それらの ANN を仮想の魚の体に具現化し、本物の魚の飼育条件を模倣した仮想の水槽で人工魚を飼育しました。
次に、本物の魚と人工の魚に現れた社会的嗜好を比較しました。
私たちは、人工魚が 2 つの中心的な学習メカニズム (強化学習と好奇心主導型学習) を備えている場合、人工魚は魚のような社会的嗜好を発達させることを発見しました。
本物の魚と同様に、人工魚は他のグループのメンバーよりも自分のグループのメンバーを好むことを自発的に学習しました。
人工魚はまた、自然界で見られる自己分離行動と同様に、グループ内で自己分離することも自発的に学習しました。
私たちの結果は、社会的グループが 3 つの要素、(1) 強化学習、(2) 内発的動機、(3) グループ内のメンバーとの初期の社会経験から生まれる可能性があることを示唆しています。
このアプローチは、画像計算可能なモデルを使用して動物のような社会的行動をリバースエンジニアリングするための基盤を築き、高次元の感覚入力と社会的嗜好の間の溝を橋渡しします。

要約(オリジナル)

What are the computational foundations of social grouping? Traditional approaches to this question have focused on verbal reasoning or simple (low-dimensional) quantitative models. In the real world, however, social preferences emerge when high-dimensional learning systems (brains and bodies) interact with high-dimensional sensory inputs during an animal’s embodied interactions with the world. A deep understanding of social grouping will therefore require embodied models that learn directly from sensory inputs using high-dimensional learning mechanisms. To this end, we built artificial neural networks (ANNs), embodied those ANNs in virtual fish bodies, and raised the artificial fish in virtual fish tanks that mimicked the rearing conditions of real fish. We then compared the social preferences that emerged in real fish versus artificial fish. We found that when artificial fish had two core learning mechanisms (reinforcement learning and curiosity-driven learning), artificial fish developed fish-like social preferences. Like real fish, the artificial fish spontaneously learned to prefer members of their own group over members of other groups. The artificial fish also spontaneously learned to self-segregate with their in-group, akin to self-segregation behavior seen in nature. Our results suggest that social grouping can emerge from three ingredients: (1) reinforcement learning, (2) intrinsic motivation, and (3) early social experiences with in-group members. This approach lays a foundation for reverse engineering animal-like social behavior with image-computable models, bridging the divide between high-dimensional sensory inputs and social preferences.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google