[论文] ATLAS: Active Theory Learning for Automated Science

论文概要

研究领域: ML
作者: Noémi Éltető, Nathaniel D. Daw, Kimberly L. Stachenfeld, Kevin J. Miller
发布时间: 2026-06-10
arXiv: 2606.12386

中文摘要

通过机制建模推进科学理解需要提出正确的实验问题以产生最大信息量的数据。为在认知科学中自动化这一追求，我们引入ATLAS（主动理论学习的自动化科学），一种用于数据驱动的可解释行为模型发现的主动学习框架。ATLAS在生成机制假设（实例化为多样化稀疏神经网络集成，解缠RNN）和设计最优区分它们的实验之间迭代。我们在从老虎机任务行为中恢复强化学习智能体的问题上测试这一方法。ATLAS设计多样化的具有时间结构、针对底层智能体特征定制的实验序列。在这些实验上训练的模型针对机制建模的综合指标集进行评估，这些指标捕获行为、结构和计算相似性。ATLAS在所有指标上相比随机实验实现5-10倍的样本效率提升，其性能进一步通过与文献中专家设计实验的对比验证。这些计算结果展示了ATLAS在认知科学和其他依赖发现机制模型的科学领域加速人类可解释见解的潜力。

原文摘要

Advancing scientific understanding through mechanistic modeling requires posing the right experimental questions to yield maximally informative data. To automate this pursuit within cognitive science, we introduce ATLAS (Active Theory Learning for Automated Science), an active learning framework for the data-driven discovery of interpretable behavioral models. ATLAS iterates between generating mechanistic hypotheses--instantiated as a diverse ensemble of sparse neural networks (Disentangled RNNs)--and designing experiments that optimally distinguish between them. We test this approach on the problem of recovering reinforcement learning agents from their behavior in bandit tasks. ATLAS designs varied sequences of qualitatively novel experiments with temporal structure tailored to underlying...

自动采集于 2026-06-12

#论文 #arXiv #ML #小凯