[論文レビュー] Optimal allocation of attentional resource to multiple items with unequal relevance

Nuwan de Silva, Wei Ji|arXiv (Cornell University)|Feb 18, 2018

Cognitive Science and Mapping被引用数 3

ひとこと要約

本稿は、非均等なプローブ確率を有する複数のアイテムに対する最適な注意資源配分の規範的モデルを提案する。凹型の効用関数と次元削減アルゴリズムを用いて、最適配分がしばしば比例配分から逸脱することを示し、資源が限られる状況では非無視的ターゲットに対しても注意を0に割り当てる場合がある。これは、知覚における注意制御を研究するための原則的枠組みを提供する。

ABSTRACT

In natural perception, different items (objects) in a scene are rarely equally relevant to the observer. The brain improves performance by directing attention to the most relevant items, for example the ones most likely to be probed. For a general set of probing probabilities, it is not known how attentional resources should be allocated to maximize performance. Here, we investigate the optimal strategy for allocating a fixed resource budget E among N items when on each trial, only one item gets probed. We develop an efficient algorithm that, for any concave utility function, reduces the N-dimensional problem to a set of N one-dimensional problems that the brain could plausibly solve. We find that the intuitive strategy of allocating resource in proportion to the probing probabilities is in general not optimal. In particular, in some tasks, if resource is low, the optimal strategy involves allocating zero resource to items with a nonzero probability of being probed. Our work opens the door to normatively guided studies of attentional allocation.

研究の動機と目的

• アイテムの重要度（プローブ確率）が異なる状況において、限られた注意資源を複数のアイテムに最適に配分する方法を特定すること。
• 注意配分の高次元最適化問題を計算的に実行可能な方法で解く手法を開発すること。
• 注意を重要度に比例して配分すべきであるという仮定に疑問を呈すること。
• 知覚における生物学的注意メカニズムの評価のための規範的ベンチマークを提供すること。

提案手法

• 固定されたリソース予算 E における期待効用を最大化する制約付き最適化問題として注意配分を定式化する。
• 注意の増加に伴うパフォーマンスの逓減効果をモデル化するため、凹型の効用関数を用いる。
• N次元最適化問題をN個の一様次元サブ問題に還元するための数学的変換を適用する。
• ラグランジュ緩和法を用いて最適性の必要条件を導出する。
• 脳がリアルタイムのリソース配分を実装可能であると想定できる固定点反復アルゴリズムを導出する。
• さまざまなプローブ確率分布に対して数値シミュレーションを実施し、アルゴリズムの効率性と最適性を検証する。

実験結果

リサーチクエスチョン

• RQ1 アイテムのプローブ確率が非均等な場合、注意資源をどのように最適に配分すべきか？
• RQ2 非ゼロのプローブ確率を持つアイテムに対しても、資源が限られる状況では注意を0に割り当てることが最適になり得るか？
• RQ3 総リソース予算とアイテム数の関数として、最適配分戦略はどのように変化するか？
• RQ4 一般の効用関数のもとで、注意の割り当てが常に比例的であるとは限らないか？
• RQ5 脳は生物学的に妥当なアルゴリズムを用いて、最適な注意配分を実装できるか？

主な発見

• 最適な注意配分はプローブ確率に比例しない。むしろ、リソースが限られる場合には非無視的ターゲットに対しても注意を0に割り当てる場合がある。
• 最適戦略は、特にリソース予算が低い場合、最も関連性の高いアイテムのサブセットに注目を集めるものとなる。
• 提案されたアルゴリズムにより、N次元最適化問題がN個の一様次元問題に還元され、計算が効率的に行えるようになる。
• リソース予算が低い場合には、分布に応じて中程度または高い関連性を持つアイテムに対しても、最適解が0の注意配分を示すことがある。
• このモデルは、逓減効果（凹型効用）が均一でなくスパarselyな配分戦略を生み出し、比例配分を上回る性能を示すことを示している。
• この枠組みにより、生物学的注意システムが最適行動をどれだけ近似しているかをテストするための規範的根拠が提供される。