Conceitos essenciais
グラフの組合せ構造を利用して、人間の社会的相互作用と空間ナビゲーションに関する事前知識を定量化する。
Resumo
この研究では、グラフの組合せ構造を活用して、人間の社会的相互作用と空間ナビゲーションに関する事前知識を定量化しました。実験は、進化的な時間尺度で常に関連性がある2つの領域に焦点を当てて行われました。推論された事前知識のいくつかの特徴は非常に一貫しており、グラフサイズに応じたスパース性への傾向などが挙げられます。他の特徴はドメイン固有であり、例えば社会的相互作用における三角閉包への傾向です。さらに、この研究は、間接的な行動実験の非古典的な統計分析がデータ内部バイアスを効率的にモデル化する方法を示しています。
また、研究ではオンライン実験プラットフォームが構築され、MTurk(Amazon Web Services, 2010)を使用して参加者を募集しました。参加者は、「部分グラフ」を見せられてから残りの関係性を推測するよう求められました。これらの実験では1200人以上の参加者と1万5000件以上のデータポイントが収集されました。
さらに、「Markov Chain Monte Carlo with People (MCMCP)」アルゴリズムが紹介され、複数チェーンが並行して構築されることでデータが効率的に活用されることが説明されています。
Estatísticas
グラフサイズごとにエッジ密度が低下する傾向(µ)
小さなグラフでは均一度数への好み(κ / µ2)
社会ドメインで三角形へ高い好み(κ / µ3)
Citações
"Our work demonstrates how nonclassical statistical analysis of indirect behavioral experiments can be used to efficiently model latent biases in the data."
"The motivating question is: given a set of n things and minimal or no information about how they relate, what is the prior likelihood assigned to each of the many possible patterns of connections?"
"Priors cannot be both exhaustive and efficient. That is, by efficiently distinguishing relevant visual information, our priors render us blind to insignificant differences."