Synthesizing Images on Perceptual Boundaries of ANNs for Uncovering and Manipulating Human Perceptual Variability

要約

認知タスクと日常生活における人間の意思決定は、タスクの難易度、個々の好み、個人的な経験などの要因によって形作られるかなりのばらつきを示します。
個人間のこの変動性を理解することは、不確実性と曖昧さに直面したときに人間が依存している知覚的および意思決定メカニズムを明らかにするために不可欠です。
ANNの知覚的境界サンプリングと人間の行動実験を組み合わせて、この現象を体系的に調査する計算フレームワークBAM（境界アライメントおよび操作フレームワーク）を提示します。
私たちの知覚境界サンプリングアルゴリズムは、ANNの決定境界に沿って刺激を生成し、本質的に有意な知覚的変動を誘導します。
これらの刺激の有効性は、116,715の試験で246人の参加者を含む大規模な行動実験を通じて経験的に検証され、19,943の系統的に注釈された画像を含むバリムニストデータセットで頂点に達します。
パーソナライズされたモデルのアライメントと敵対的な生成を通じて、参加者のペアの多様な知覚的決定を同時に予測および操作するための信頼できる方法を確立します。
この作業は、計算モデルと人間の個人差の研究とのギャップを橋渡しし、パーソナライズされた知覚分析のための新しいツールを提供します。

要約(オリジナル)

Human decision-making in cognitive tasks and daily life exhibits considerable variability, shaped by factors such as task difficulty, individual preferences, and personal experiences. Understanding this variability across individuals is essential for uncovering the perceptual and decision-making mechanisms that humans rely on when faced with uncertainty and ambiguity. We present a computational framework BAM (Boundary Alignment & Manipulation framework) that combines perceptual boundary sampling in ANNs and human behavioral experiments to systematically investigate this phenomenon. Our perceptual boundary sampling algorithm generates stimuli along ANN decision boundaries that intrinsically induce significant perceptual variability. The efficacy of these stimuli is empirically validated through large-scale behavioral experiments involving 246 participants across 116,715 trials, culminating in the variMNIST dataset containing 19,943 systematically annotated images. Through personalized model alignment and adversarial generation, we establish a reliable method for simultaneously predicting and manipulating the divergent perceptual decisions of pairs of participants. This work bridges the gap between computational models and human individual difference research, providing new tools for personalized perception analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google