[論文レビュー] Efficiency of learning vs. processing: Towards a normative theory of multitasking

Yotam Sagiv, Sebastian Musslick+2 more|arXiv (Cornell University)|Jul 6, 2020

EEG and Brain-Computer Interfaces被引用数 22

ひとこと要約

本稿は、人間がより速い学習を優先してマルチタスク効率を犠牲にする理由を説明する規範的ベイジアンフレームワークを提案する。共有タスク表現は干渉を引き起こすが、スキル習得を加速させることで長期的報酬を最大化する。モデルは、現実的な環境的制約のもとで、最適な行動が並列処理よりも学習速度を重視することを示しており、スキル習得における制御的から自動的への移行に合理的な説明を提供する。

ABSTRACT

A striking limitation of human cognition is our inability to execute some tasks simultaneously. Recent work suggests that such limitations can arise from a fundamental tradeoff in network architectures that is driven by the sharing of representations between tasks: sharing promotes quicker learning, at the expense of interference while multitasking. From this perspective, multitasking failures might reflect a preference for learning efficiency over multitasking capability. We explore this hypothesis by formulating an ideal Bayesian agent that maximizes expected reward by learning either shared or separate representations for a task set. We investigate the agent's behavior and show that over a large space of parameters the agent sacrifices long-run optimality (higher multitasking capacity) for short-term reward (faster learning). Furthermore, we construct a general mathematical framework in which rational choices between learning speed and processing efficiency can be examined for a variety of different task environments.

研究の動機と目的

• 人間が並列処理の能力を備えながらもマルチタスクに制限を示す理由を調査すること。
• 認知系における学習効率（共有表現によるもの）と処理効率（別個表現によるもの）のトレードオフを形式化すること。
• 環境的制約のもとで学習速度とマルチタスク能力を最適にバランスさせる規範的ベイジアンエージェントモデルを構築すること。
• 制御的から自動的処理への移行が、有限の時間とリソースの制約に対する合理的な反応であることを説明すること。

提案手法

• 共有表現と別個表現の両方の学習ダイナミクスを有するタスク環境の確率的生成モデルを構築する。
• 時間経過にわたる期待累積報酬を最大化する理想のベイジアンエージェントを定義し、共有表現と別個表現の間で選択を行う。
• 両方の表現タイプの学習軌道をモデル化するためにロジスティック関数を用いることで、学習速度の差を捉える。
• 割引率を導入して将来の報酬の価値を反映させ、時間制約のある意思決定をモデル化する。
• 広範なパrameter空間においてエージェントの行動を分析し、共有表現が最適となる条件を同定する。
• 直列処理と並列処理のコスト関数を統合し、学習と処理効率のトレードオフをモデル化する。

実験結果

リサーチクエスチョン

• RQ1 どのような条件下で、共有表現による高速学習がマルチタスク効率の向上を上回るのか？
• RQ2 人間がスキル習得の過程で並列実行の可能性があるにもかかわらず、なぜ制御的で直列的な処理を好むのか？
• RQ3 学習速度と処理能力のトレードオフが、時間制約のある環境における最適な認知戦略をどのように規定するのか？
• RQ4 制御的から自動的処理への移行を、認知的制限ではなく合理的選択として説明できるか？

主な発見

• ベイジアンエージェントの最適戦略は、マルチタスク能力を低下させるとしても、広範なパrameter設定において共有表現を使用することである。
• エージェントは長期的な処理効率（マルチタスク能力）を犠牲にして短期的な学習速度の向上を図り、時間経過にわたる累積報酬を最大化する。
• 最小基底集合戦略（共有表現の使用）は、異なるタスク頻度や学習速度を想定した多様な環境条件下でも最適となる。
• 本モデルは、制御的から自動的処理への一般的な経路を、有限の時間と急速なスキル習得の高い価値に対する合理的適応として説明できる。
• 研究結果は、マルチタスクの制限が認知的制限そのものによるものではなく、学習と処理効率の規範的トレードオフに起因する可能性を示唆する。