[논문 리뷰] Efficiency of learning vs. processing: Towards a normative theory of multitasking

Yotam Sagiv, Sebastian Musslick외 2명|arXiv (Cornell University)|2020. 07. 06.

EEG and Brain-Computer Interfaces인용 수 22

한 줄 요약

이 논문은 인간이 빠른 학습을 위해 다중 작업 처리 효율성을 희생하는 이유를 설명하는 베이지안 정규 이론을 제안한다. 공유된 작업 표현 방식은 간섭을 유발하지만 장기적으로는 기술 습득을 가속화함으로써 최대의 누적 보상을 달성한다. 모델은 현실적인 환경 제약 조건 하에서 최적의 행동 전략이 병렬 처리보다 학습 속도를 우선시함을 보여주며, 기술 습득 과정에서의 통제적에서 자동적 처리로의 전환을 이성적인 설명으로 제공한다.

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.

연구 동기 및 목표

• 인간이 병렬 처리 능력이 있음에도 불구하고 다중 작업 처리에 제약을 보이는 이유를 탐구하기 위해.
• 인지 시스템에서 공유 표현 방식을 통한 학습 효율성과 별도 표현 방식을 통한 처리 효율성 간의 상충 관계를 수식화하기 위해.
• 환경 제약 조건 하에서 학습 속도와 다중 작업 처리 능력 간의 최적 균형을 이루는 정규 베이지안 에이전트 모델을 개발하기 위해.
• 유한한 시간과 자원 제약 조건에 대응하는 이성적인 반응으로서의 통제적에서 자동적 처리로의 전환을 설명하기 위해.

제안 방법

• 공유 표현 방식과 별도 표현 방식 간에 다른 학습 역학을 보이는 작업 환경에 대한 확률적 생성 모델을 수립하기 위해.
• 시간에 따라 누적 보상을 최대화하는 이상적 베이지안 에이전트를 정의하고, 공유 표현 방식과 별도 표현 방식 간의 선택을 수행하기 위해.
• 양 표현 방식의 학습 궤적을 기술하기 위해 로지스틱 함수를 사용하여 학습 속도의 차이를 포괄하기 위해.
• 미래 보상의 가치를 반영하기 위해 할인율을 도입하여 시간 제약 조건 하의 의사결정 모델링을 수행하기 위해.
• 다양한 매개변수 공간에서 에이전트의 행동을 분석하여 공유 표현 방식이 최적일 조건을 규명하기 위해.
• 순차적 처리와 병렬 처리에 대한 비용 함수를 통합하고 학습 효율성과 처리 효율성 간의 상충 관계를 모델링하기 위해.

실험 결과

연구 질문

• RQ1 공유 표현을 통한 빠른 학습이 다중 작업 처리 효율성의 이점을 상회하는 조건는 무엇인가?
• RQ2 다중 작업 처리가 가능함에도 불구하고 인간이 기술 습득 초기에 통제적이고 순차적인 처리 방식을 선호하는 이유는 무엇인가?
• RQ3 학습 속도와 처리 능력 간의 상충 관계가 시간 제약 조건 하에서 최적의 인지 전략을 어떻게 형성하는가?
• RQ4 통제적에서 자동적 처리로의 전환이 인지적 제약이 아닌 이성적인 선택으로 설명될 수 있는가?

주요 결과

• 베이지안 에이전트의 최적 전략은 다중 작업 처리 능력을 감소시켜도 광범위한 매개변수 설정에서 공유 표현 방식을 사용하는 것이다.
• 에이전트는 장기적인 처리 효율성(다중 작업 처리 능력)을 희생하고 단기적 학습 속도 향상을 위해 택함으로써 시간에 따른 누적 보상을 최대화한다.
• 최소 기저 집합 전략(공유 표현 사용)은 다양한 환경 조건, 즉 다양한 작업 빈도와 학습 속도에서도 최적의 전략으로 부상한다.
• 모델은 통제적에서 자동적 처리로의 일반적인 전이 궤적을 시간 제약과 빠른 기술 습득의 높은 가치에 대응하는 이성적 적응으로 설명할 수 있다.
• 유연성 있는 다중 작업 처리 능력의 제한은 인지적 제약 때문이 아니라, 학습 효율성과 처리 효율성 간의 정규적 상충 관계에서 비롯된다는 점을 시사한다.