[論文レビュー] Approximations of Algorithmic and Structural Complexity Validate Cognitive-behavioural Experimental Results

Héctor Zenil, James A. R. Marshall+1 more|arXiv (Cornell University)|Sep 21, 2015

Evolutionary Algorithms and Applications参考文献 31被引用数 7

ひとこと要約

本稿では、アルゴリズム的（コルモゴロフ）複雑さおよび構造的（ベンネットの論理的深さ）複雑さの数値的近似を導入し、動物および人間の意思決定における行動的複雑さを客観的に評価する。実験的に示されたように、アリは環境の複雑さに応じて行動を調整し、ミツバチは特徴のない環境でもランダムなナビゲーションを避け、ラットの行動は競合者の複雑さを模倣する。これらは認知に内在するアルゴリズム的バイアスが実験的観察と整合することを示している。

ABSTRACT

Being able to objectively characterise the intrinsic complexity of behavioural patterns resulting from human or animal decisions is fundamental for deconvolving cognition and designing autonomous artificial intelligence systems. Yet complexity is difficult in practice, particularly when strings are short. By numerically approximating algorithmic (Kolmogorov) complexity (K), we establish an objective tool to characterise behavioural complexity. Next, we approximate structural (Bennett's Logical Depth) complexity (LD) to assess the amount of computation required for generating a behavioural string. We apply our toolbox to three landmark studies of animal behaviour of increasing sophistication and degree of environmental influence, including studies of foraging communication by ants, flight patterns of fruit flies, and tactical deception and competition (e.g., predator-prey) strategies. We find that ants harness the environmental condition in their internal decision process, modulating their behavioural complexity accordingly. Our analysis of flight (fruit flies) invalidated the common hypothesis that animals navigating in an environment devoid of stimuli adopt a random strategy. Fruit flies exposed to a featureless environment deviated the most from Levy flight, suggesting an algorithmic bias in their attempt to devise a useful (navigation) strategy. Similarly, a logical depth analysis of rats revealed that the structural complexity of the rat always ends up matching the structural complexity of the competitor, with the rats' behaviour simulating algorithmic randomness. Finally, we discuss how experiments on how humans perceive randomness suggest the existence of an algorithmic bias in our reasoning and decision processes, in line with our analysis of the animal experiments.

研究の動機と目的

• 動物および人間の意思決定を分析するための、客観的かつ計算可能な行動複雑さの測定法を開発すること。
• 短い行動系列における正確なアルゴリズム的複雑さ（コルモゴロフ複雑さ）を計算することが実用的に困難であるという問題に対処すること。
• アルゴリズム的および構造的複雑さの近似を用いて、既存の認知行動実験の結果を検証すること。
• 観察された行動パターンが、ランダム性や完全に確率的なプロセスではなく、アルゴリズム的バイアスを反映しているかどうかを調査すること。
• 環境的文脈が、アリ、ミツバチ、ラットなどの動物の行動複雑さに与える影響を調査すること。

提案手法

• 行動ストリングのアルゴリズム的複雑さを測定するために、コルモゴロフ複雑さ（K）の数値的近似が用いられる。
• ベンネットの論理的深さ（LD）が近似され、行動系列を生成するために要する計算作業を評価する。
• この手法は、アリの採餌、ミツバチの飛行、ラットの競争行動という3つの代表的な研究から得られた実際の行動データに適用される。
• 観察された行動複雑さを、ランダムウォークやレヴィ飛行などのノンモデルと比較する。
• 実際の行動系列とアルゴリズム的複雑さのベンチマークとの間で統計的比較を行い、非ランダムで構造的な行動を検出する。
• 情報理論と計算複雑性を統合することで、行動パターンから認知戦略を推論するアプローチが採用される。

実験結果

リサーチクエスチョン

• RQ1 複雑な環境における動物の行動は、環境の構造を反映するアルゴリズム的複雑さを示すか？
• RQ2 特徴のない環境におけるミツバチの飛行行動は本当にランダムなのか、それとも背後にアルゴリズム的戦略が存在するのか？
• RQ3 ラットは、相手の競合者の構造的複雑さに合わせて行動を適応させ、戦略的模倣を行っているか？
• RQ4 人間がランダム性をどのように認識しているかは、アルゴリズム的複雑さの測定とどの程度一致するか？
• RQ5 アルゴリズム的および構造的複雑さの近似は、行動実験における認知プロセスを解体するための客観的ツールとして有効か？

主な発見

• アリは環境条件に応じて行動の複雑さを調整しており、環境の構造が内部意思決定に統合されていることを示している。
• 特徴のない環境にいるミツバチは、レヴィ飛行パターンから著しく逸脱しており、ランダムでない、アルゴリズム的にバイアスがかかるナビゲーション戦略をとっていると考えられる。
• ラットの行動系列は、相手の競合者と同等の構造的複雑さを示しており、競争状況下でのアルゴリズム的模倣が確認された。
• 分析の結果、人間のランダム性への認識がアルゴリズム的複雑さと一致しており、推論における先天的なアルゴリズム的バイアスがあることが示唆された。
• 観察された行動がランダムではなく、構造的でアルゴリズム的に複雑なプロセスを反映していることから、既存の認知行動実験の結果が検証された。
• アルゴリズム的および構造的複雑さの近似は、短い系列における行動複雑さを分析するための強固で客観的なフレームワークを提供する。