[论文解读] 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 7

一句话总结

本文引入了算法复杂度（Kolmogorov复杂度）和结构复杂度（Bennett的逻辑深度）的数值近似方法，以客观评估动物和人类决策行为中的行为复杂度。研究结果表明，蚂蚁会根据环境复杂度调节行为，果蝇即使在无特征环境中也避免随机导航，大鼠的行为会与对手的复杂度相匹配，揭示了认知中存在与实验观察一致的算法偏见。

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.

研究动机与目标

• 开发用于分析动物和人类决策行为的客观、可计算的行为复杂度度量方法。
• 解决对短行为序列精确计算算法复杂度（Kolmogorov复杂度）的实际不可行性问题。
• 应用算法复杂度和结构复杂度的近似方法，验证既有的认知行为实验结果。
• 探究观察到的行为模式是否反映算法偏见，而非随机性或纯粹的随机过程。
• 探讨环境背景在塑造蚂蚁、果蝇和大鼠等动物行为复杂度中的作用。

提出的方法

• 使用Kolmogorov复杂度（K）的数值近似方法，量化行为序列的算法复杂度。
• 对Bennett的逻辑深度（LD）进行近似，以评估生成行为序列所需的计算量。
• 该方法将这些近似方法应用于三项标志性研究的真实行为数据：蚂蚁觅食、果蝇飞行和大鼠竞争行为。
• 分析将实际行为复杂度与随机游走和Lévy飞行等零模型进行比较。
• 通过统计比较实际行为序列与算法复杂度基准，检测非随机、有结构的行为。
• 该方法整合信息论与计算复杂度理论，从行为模式中推断认知策略。

实验结果

研究问题

• RQ1 在复杂环境中，动物行为是否表现出反映环境结构的算法复杂度？
• RQ2 果蝇在无特征环境中的飞行行为是否真正随机，还是反映了潜在的算法策略？
• RQ3 大鼠是否通过调整自身行为以匹配对手的结构复杂度，表明存在策略性模仿？
• RQ4 人类对随机性的感知在多大程度上与算法复杂度度量一致？
• RQ5 算法复杂度和结构复杂度的近似方法能否作为客观工具，用于解构行为实验中的认知过程？

主要发现

• 蚂蚁会根据环境条件调节其行为复杂度，表明环境结构被整合进内部决策过程。
• 在无特征环境中的果蝇显著偏离Lévy飞行模式，表明其导航策略具有非随机性，受算法偏见影响。
• 大鼠的行为序列表现出与对手相匹配的结构复杂度，表明在竞争情境中存在算法模仿。
• 分析表明，人类对随机性的感知与算法复杂度一致，提示推理中存在先天的算法偏见。
• 本研究通过证明观察到的行为并非随机，而是反映有结构的、算法复杂的进程，验证了既有的认知行为实验结果。
• 算法复杂度和结构复杂度的近似方法为分析短序列中的行为复杂度提供了稳健且客观的框架。