[論文レビュー] The growth and form of knowledge networks by kinesthetic curiosity

Dale Zhou, David M. Lydon‐Staley+2 more|arXiv (Cornell University)|Jun 4, 2020

Misinformation and Its Impacts被引用数 7

ひとこと要約

本稿では、三つの機能的モード—busybody（探求的ノイズ探索）、hunter（目的志向的追求）、dancer（創造的統合）—を介して情報空間を動的に移動するものとして、キネスティック・キュリオシティ・モデルを提唱する。ネットワーク科学と統計物理学を用いて、これらの探索戦略がどのように特異な知識ネットワーク構造を形成するかを形式化し、目的志向的学習を超えた心理的理論を拡張する計算フレームワークを提示する。

ABSTRACT

Throughout life, we might seek a calling, companions, skills, entertainment, truth, self-knowledge, beauty, and edification. The practice of curiosity can be viewed as an extended and open-ended search for valuable information with hidden identity and location in a complex space of interconnected information. Despite its importance, curiosity has been challenging to computationally model because the practice of curiosity often flourishes without specific goals, external reward, or immediate feedback. Here, we show how network science, statistical physics, and philosophy can be integrated into an approach that coheres with and expands the psychological taxonomies of specific-diversive and perceptual-epistemic curiosity. Using this interdisciplinary approach, we distill functional modes of curious information seeking as searching movements in information space. The kinesthetic model of curiosity offers a vibrant counterpart to the deliberative predictions of model-based reinforcement learning. In doing so, this model unearths new computational opportunities for identifying what makes curiosity curious.

研究の動機と目的

• 目的志向的または報酬ベースの学習を超えた、計算的でキュリオシティのモデルを構築すること。
• ネットワーク科学、統計物理学、哲学を統合し、開かれた情報探索を理解するための統一的フレームワークを構築すること。
• 異なるキュリオシティのモード—busybody、hunter、dancer—が知識ネットワークにどのように特異な構造的パターンを生成するかを形式化すること。
• 個々の情報探索行動の違いを説明する、検証可能で定量的なキュリオシティのモデルを提供すること。

提案手法

• ノードが情報単位を表し、エッジが情報的リンクを表す抽象的知識ネットワーク上の歩行としてキュリオシティをモデル化すること。
• 三つの機能的モードを定義する：busybody（緩い、探求的ネットワーク）、hunter（きつい、標的を定めた経路）、dancer（分離したモジュールを接続する）。
• Wikipediaのハイパーリンクなどの実世界データを根拠に、各モードにおける知識ネットワーク成長を計算シミュレーションで生成すること。
• モジュラリティ（WalkTrapアルゴリズムを用いて）や可通信性といったグラフ理論的指標を用いて、ネットワーク構造と情報の流れを定量化すること。
• Wikipediaの閲覧行動から得た実証データを用いてモデルを検証し、個々の検索パターンとネットワークアーキテクチャを結びつけること。
• 予測と探索の統一的モデルを提示するため、認知科学における先行理論（例：後続表現、自由エネルギー原理）と統合すること。

実験結果

リサーチクエスチョン

• RQ1 どのようにしてキュリオシティを、情報空間を動的に移動する非目的志向的プロセスとしてモデル化できるか？
• RQ2 知識ネットワークに現れる、異なる機能的モード（busybody、hunter、dancer）に対応する構造的特徴は何か？
• RQ3 個人差（例：不確実性への感受性、感覚刺激への欲求）が、自己構築された知識ネットワークのアーキテクチャにどのように反映されるか？
• RQ4 ネットワーク科学と統計物理学が、キュリオシティや情報探索の定性的な記述をどの程度形式化できるか？
• RQ5 知識ネットワークの出現的性質は、明示的なフィードバックや有用性がなくても、学習、創造性、社会的行動をどのように支援するか？

主な発見

• hunterに類似したダイナミクスによって形成された知識ネットワークは、busybodyに類似したパターンと比較して、不確実性に対して感受性が高く、探求の楽しさが低い傾向を示す。
• dancerに類似した探索戦略は、異なるネットワークモジュールを接続することに関連しており、異なる知識分野の創造的統合に寄与する可能性がある。
• 各キネスティック・モードに従って生成されたシミュレーテッド知識ネットワークは、それぞれ特異なトポロジカル・シグネチャーを示す：busybodiesには緩い構造、huntersにはきつい構造、dancersには接続を図る構造。
• Wikipedia閲覧行動の実証的分析から、個々の検索シーケンスが、三モードモデルと整合的な情報探索の独自のアーキテクチャスタイルを反映していることが判明した。
• モデルのネットワーク成長原理は、後続表現や自由エネルギー原理を含む複数の既存の認知理論と整合しており、予測と探索の統一的フレームワークを示唆している。
• ネットワーク科学と統計物理学の統合により、キュリオシティの構造的成果物の定量的分析が可能となり、情報探索理論の検証に新たなツールが提供された。