[논문 리뷰] Approximations of Algorithmic and Structural Complexity Validate Cognitive-behavioural Experimental Results

Héctor Zenil, James A. R. Marshall외 1명|arXiv (Cornell University)|2015. 09. 21.

Evolutionary Algorithms and Applications참고 문헌 31인용 수 7

한 줄 요약

이 논문은 동물 및 인간의 의사결정에서 행동 복잡성을 객관적으로 평가하기 위해 알고리즘적(코모고로프) 복잡성과 구조적(벤넷의 논리적 깊이) 복잡성의 수치적 근사치를 도입한다. 개미는 환경 복잡성에 따라 행동을 조절하며, 과일 파리조차도 특징이 없는 환경에서도 무작위 주행을 피하고, 쥐의 행동은 경쟁자 복잡성과 유사함을 보여주어 인지에서 알고리즘적 편향이 존재하고 이것이 실험 관찰과 일치함을 밝힌다.

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.

연구 동기 및 목표

• 동물 및 인간의 의사결정을 분석하기 위한 객관적이고 계산 가능한 행동 복잡성 측정법을 개발하기 위해.
• 짧은 행동 시퀀스에 대해 정확한 알고리즘 복잡성(코모고로프 복잡성)을 계산하는 데 실용적으로 비현실적인 문제를 해결하기 위해.
• 기존의 인지-행동 실험 결과를 검증하기 위해 알고리즘 복잡성과 구조적 복잡성의 근사치를 적용하기 위해.
• 관찰된 행동 패턴이 무작위성이나 순수한 확률적 과정이 아니라 알고리즘적 편향을 반영하는지 조사하기 위해.
• 환경적 맥락이 개미, 과일 파리, 쥐와 같은 동물의 행동 복잡성 형성에 미치는 영향을 탐구하기 위해.

제안 방법

• 행동 문자열의 알고리즘 복잡성을 측정하기 위해 코모고로프 복잡성(K)의 수치적 근사치를 사용한다.
• 벤넷의 논리적 깊이(LD)를 근사하여 행동 시퀀스를 생성하는 데 필요한 계산적 노력의 정도를 평가한다.
• 이 방법은 세 가지 유명한 연구에서의 실제 행동 데이터에 적용된다: 개미의 사냥 행동, 과일 파리의 비행 행동, 쥐의 경쟁 행동.
• 관측된 행동 복잡성과 무작위 걷기 및 레비 비행과 같은 근본 모델을 비교한다.
• 실제 행동 시퀀스와 알고리즘 복잡성 기준치 사이의 통계적 비교를 통해 비무작위적이고 구조적인 행동을 탐지한다.
• 정보 이론과 계산 복잡성 이론을 통합하여 행동 패턴으로부터 인지 전략을 추론한다.

실험 결과

연구 질문

• RQ1 복잡한 환경에서의 동물 행동은 환경의 구조를 반영하는 알고리즘 복잡성을 보여주는가?
• RQ2 특징이 없는 환경에서 과일 파리의 비행 행동은 진정으로 무작위적인가, 아니면 잠재적인 알고리즘 전략을 반영하는가?
• RQ3 쥐는 경쟁자의 행동 복잡성에 맞추어 자신의 행동을 적응시키는가, 이는 전략적 모방을 시사하는가?
• RQ4 인간이 무작위성을 인식하는 정도가 알고리즘 복잡성 측정치와 얼마나 일치하는가?
• RQ5 알고리즘 복잡성과 구조적 복잡성의 근사치는 행동 실험에서 인지 과정을 분해하는 객관적인 도구로 기능할 수 있는가?

주요 결과

• 개미는 환경 조건에 따라 행동 복잡성을 조절하며, 이는 환경의 구조가 내부 의사결정에 통합됨을 시사한다.
• 특징이 없는 환경에 있는 과일 파리는 레비 비행 패턴에서 유의미하게 벗어나 있어, 비무작위적이고 알고리즘적으로 편향된 항법 전략을 반영하고 있음을 시사한다.
• 쥐의 행동 시퀀스는 경쟁자와 유사한 구조적 복잡성을 보이며, 이는 경쟁 맥락에서 알고리즘적 모방이 일어남을 나타낸다.
• 분석 결과 인간이 무작위성을 인식하는 방식이 알고리즘 복잡성과 일치함을 드러내어 추론에서 천연적인 알고리즘적 편향이 존재함을 시사한다.
• 관측된 행동이 무작위가 아니라 구조적이고 알고리즘적으로 복잡한 과정을 반영함을 보여줌으로써 기존의 인지-행동 실험 결과를 검증한다.
• 알고리즘 복잡성과 구조적 복잡성의 근사치는 짧은 시퀀스에서 행동 복잡성을 분석하는 데 있어 강력하고 객관적인 프레임워크를 제공한다.