[论文解读] Assessing Cognitive Randomness: A Kolmogorov Complexity Approach

Nicolas Gauvrit, Héctor Zenil+1 more|arXiv (Cornell University)|Jun 15, 2011

Computability, Logic, AI Algorithms参考文献 33被引用 3

一句话总结

本文提出使用算法复杂度——具体而言，通过算法概率实现的柯尔莫哥洛夫复杂度——作为评估人类生成序列认知随机性的通用度量。通过以该方法重新分析经典的Radio Zenith数据，证明了单一、理论基础坚实的度量能够比传统、针对特定特征的指标更全面地捕捉随机性，为通过随机性生成评估执行功能提供统一方法。

ABSTRACT

Since human randomness production has been studied and widely used to assess executive functions (especially inhibition), many measures have been suggested to assess the degree to which a sequence is random-like. However, each of them focuses on one feature of randomness, leading authors to have to use multiple measures. Here we describe and advocate for the use of the accepted universal measure for randomness based on algorithmic complexity, by means of a novel previously presented technique using the the definition of algorithmic probability. A re-analysis of the classical Radio Zenith data in the light of the proposed measure and methodology is provided as a study case of an application.

研究动机与目标

• 解决现有随机性评估方法仅关注随机性孤立特征而非提供统一度量的局限性。
• 倡导使用算法复杂度——具体而言，柯尔莫哥洛夫复杂度——作为人类序列中随机性的理论通用且全面的度量。
• 应用一种基于算法概率的新技术，以系统且计算可行的方式评估认知随机性。
• 通过重新分析经典Radio Zenith数据集，证明该方法的有效性与实用性。

提出的方法

• 该方法利用算法概率估算人类生成序列的算法复杂度，其核心思想是：随机序列具有较高的算法复杂度。
• 它使用源自算法概率的通用先验，为序列分配概率，从而实现对其柯尔莫哥洛夫复杂度的估算。
• 该方法避免仅依赖统计特性，转而聚焦于能够生成某一序列的最短程序，与算法随机性的形式定义保持一致。
• 该方法应用于Radio Zenith数据集，这是认知随机性研究中的一个经典基准数据集，用于评估其性能。
• 分析将所提出的度量与传统随机性指标进行比较，突出其在更整体化地捕捉序列复杂性方面的优势。

实验结果

研究问题

• RQ1 柯尔莫哥洛夫复杂度所形式化的算法复杂度，能否作为评估人类序列认知随机性的通用度量？
• RQ2 所提出的基于算法概率的方法，在捕捉人类生成序列的复杂性方面，与传统随机性评估技术相比表现如何？
• RQ3 对Radio Zenith数据的重新分析在多大程度上支持了该度量在真实认知任务中的有效性？

主要发现

• 所提出的算法复杂度度量比传统基于特征的指标提供了更全面的随机性评估，因其以理论基础坚实的方式捕捉了序列的内在复杂性。
• 对Radio Zenith数据的重新分析表明，基于算法概率的方法能有效识别出具有高阶认知随机性的序列，其结果与人类表现的已知模式一致。
• 该方法在检测随机性偏差方面表现出稳健性，尤其在认知负荷下或执行功能受损时生成的序列中表现突出。
• 结果表明，算法复杂度提供了一个统一框架，可涵盖多种传统随机性度量，从而减少对多个冗余度量的需求。