[论文解读] Optimal allocation of attentional resource to multiple items with unequal relevance

Nuwan de Silva, Wei Ji|arXiv (Cornell University)|Feb 18, 2018

Cognitive Science and Mapping被引用 3

一句话总结

本文提出了一种规范性模型，用于在多个项目具有不等探测概率时实现注意力资源的最优分配。通过使用凹 utility 函数和维度约简算法，表明最优分配通常偏离按比例分配——在资源稀缺时，有时会将零注意力分配给非可忽略的目标——为研究感知中的注意力控制提供了有原则的框架。

ABSTRACT

In natural perception, different items (objects) in a scene are rarely equally relevant to the observer. The brain improves performance by directing attention to the most relevant items, for example the ones most likely to be probed. For a general set of probing probabilities, it is not known how attentional resources should be allocated to maximize performance. Here, we investigate the optimal strategy for allocating a fixed resource budget E among N items when on each trial, only one item gets probed. We develop an efficient algorithm that, for any concave utility function, reduces the N-dimensional problem to a set of N one-dimensional problems that the brain could plausibly solve. We find that the intuitive strategy of allocating resource in proportion to the probing probabilities is in general not optimal. In particular, in some tasks, if resource is low, the optimal strategy involves allocating zero resource to items with a nonzero probability of being probed. Our work opens the door to normatively guided studies of attentional allocation.

研究动机与目标

• 确定当多个项目的相关性（探测概率）不同时，有限注意力资源在它们之间的最优分配方式。
• 开发一种计算上可行的方法，以解决注意力分配的高维优化问题。
• 挑战注意力应按相关性比例分配的假设。
• 为评估感知中生物注意力机制提供规范性基准。

提出的方法

• 将注意力分配形式化为一个约束优化问题，在固定资源预算 E 下最大化期望效用。
• 使用凹 utility 函数来建模注意力对感知性能带来的递减回报。
• 应用数学变换，将 N 维优化问题简化为 N 个一维子问题。
• 采用拉格朗日松弛技术推导最优性的必要条件。
• 推导出一种不动点迭代算法，大脑可合理地用于实时资源分配。
• 通过在各种探测概率分布下进行数值模拟，验证了该算法的效率和最优性。

实验结果

研究问题

• RQ1 当项目具有不等的被探测概率时，注意力资源的最优分配是什么？
• RQ2 即使某些项目的探测概率非零，注意力是否仍可最优地分配，使其获得零注意力？
• RQ3 随着总资源预算和项目数量的变化，最优分配策略如何变化？
• RQ4 在一般 utility 函数下，注意力按比例分配是否总是最优的？
• RQ5 大脑能否使用一种生物上合理的算法实现最优注意力分配？

主要发现

• 最优注意力分配并非与探测概率成比例；事实上，在资源有限时，可能将零注意力分配给探测概率非零的项目。
• 最优策略涉及将注意力集中在最相关的少数项目上，尤其是在资源预算较低时。
• 所提出的算法将 N 维优化问题简化为 N 个一维问题，实现了高效计算。
• 在低资源预算下，最优解可能将零注意力分配给中等或高相关性的项目，具体取决于分布情况。
• 该模型表明，递减回报（凹 utility）导致非均匀、稀疏的分配策略，其表现优于按比例分配。
• 该框架为检验生物注意力系统是否近似最优行为提供了规范性基础。