[论文解读] Resource-rational Task Decomposition to Minimize Planning Costs.

Carlos G. Correa, Mark K. Ho+2 more|arXiv (Cornell University)|Jan 1, 2020

Decision-Making and Behavioral Economics被引用 2

一句话总结

本文提出了一种资源理性框架来解释任务分解，通过建模人们如何将任务分解为子任务以优化认知资源的使用。通过将分解形式化为在资源受限条件下最小化规划成本的表征问题，该模型复现了关键的人类规划行为，并为子任务识别与分层规划策略提供了规范性解释。

ABSTRACT

People often plan hierarchically. That is, rather than planning over a monolithic representation of a task, they decompose the task into simpler subtasks and then plan to accomplish those. Although much work explores how people decompose tasks, there is less analysis of why people decompose tasks in the way they do. Here, we address this question by formalizing task decomposition as a resource-rational representation problem. Specifically, we propose that people decompose tasks in a manner that facilitates efficient use of limited cognitive resources given the structure of the environment and their own planning algorithms. Using this model, we replicate several existing findings. Our account provides a normative explanation for how people identify subtasks as well as a framework for studying how people reason, plan, and act using resource-rational representations.

研究动机与目标

• 解释人们为何将任务分解为子任务而非进行整体性规划。
• 将任务分解形式化为一种资源理性表征问题，以最小化认知规划成本。
• 基于环境结构与规划算法，提供人们识别和组织子任务的规范性解释。
• 通过单一认知效率原则统一现有关于分层规划的研究发现。
• 为研究人类推理、规划与行动提供基于资源理性的表征框架。

提出的方法

• 将任务分解建模为一种表征选择，以在认知资源约束下最小化规划成本。
• 使用规范性优化框架形式化表征复杂性与规划效率之间的权衡。
• 利用环境结构与已知的规划算法来指导子任务识别。
• 将模型应用于复现人类任务分解行为的既有实证发现。
• 推导出在计算成本与表征清晰度之间取得平衡的子任务结构。
• 证明所提出的分解策略在认知资源有限的情况下可实现高效规划。

实验结果

研究问题

• RQ1 为何人们将任务分解为子任务，而非对整体性任务表征进行规划？
• RQ2 在分层规划过程中，人们依据何种原则选择形成哪些子任务？
• RQ3 环境结构在多大程度上影响人们分解任务的方式？
• RQ4 资源理性在多大程度上可解释人类任务分解中的观察到的模式？
• RQ5 规划算法与表征选择如何相互作用以塑造任务分解？

主要发现

• 该模型成功复现了关于人类任务分解的既定实证发现，验证了其规范性框架的有效性。
• 人们以最小化规划成本的方式分解任务，通过高效分配有限的认知资源实现。
• 子任务识别受到表征简洁性与计算效率之间平衡的引导。
• 该框架为为何某些分解结构优于其他结构提供了原则性解释。
• 该模型综合考虑了环境结构与人类规划算法的约束，以塑造分解选择。
• 资源理性任务分解作为一种连贯策略，被证明是优化规划中认知效率的有效方式。