MARC

 008250224s2024        us  ||||||||||||||c||eng  d
■001000017160999
■00520250211151148
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384447351
■035    ▼a(MiAaPQ)AAI31235145
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a150
■1001  ▼aRmus,  Milena.
■24510▼aReinforcement  Learning:  A  Computational  Framework  of  Cognition.
■260    ▼a[S.l.]▼bUniversity  of  California,  Berkeley.  ▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a146  p.
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Collins,  Anne  G.  E.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2024.
■520    ▼aThe  thesis  investigates  applications  and  extensions  of  reinforcement  learning  (RL)  algorithms  to  modeling  human  cognition,  and  focuses  on  development  of  new  tools  for  fitting  cognitive  models  to  behavioral  data.  The  first  part  of  the  thesis  examines  the  effect  of  choice  abstraction  on  recruitment  of  RL  mechanisms.  This  work  challenges  the  basic  RL  assumption  that  action  space  is  always  finite  and  defined,  and  tests  the  variability  in  processes  that  best  describe  the  data  when  the  appropriate  choice  features  are  ambiguous  (e.g.  abstract).  Results  indicate  that  when  choices  of  multiple  levels  of  abstraction  are  plausible,  less  abstract  choices  (e.g.  simple  motor  actions)  interfere  with  more  abstract  choices  (e.g.  goal  selection).  Further  cognitive  modeling  and  experimental  tests  showed  that  working  memory  (WM)  contribution  to  more  abstract  choice  process  was  reduced  relative  to  that  of  RL,  potentially  due  to  the  use  of  WM  resources  for  defining  the  appropriate  choice  features  in  the  abstract  condition.  Second  project  explored  the  effect  of  subgoals,  the  intermediate  learning  milestones,  on  learning  in  the  context  of  hierarchical  reinforcement  learning  (HRL)  framework.  In  this  project  we  operationalized  subgoals  in  a  way  that  removes  the  features  commonly  associated  with  subgoals  (novelty,  reward  associations,  frequency)  and  sought  to  test  whether  subgoals  contribute  to  learning  hierarchically  organized  policies  and  generalization  through  a  pseudoreinforcing  effect  independent  of  these  features.  The  results  revealed  that  participants  solved  the  hierarchical  task,  with  data  patterns  implying  the  effect  of  subgoals  on  behavior;  generalization  tests  showed  that  generalization  of  subgoals,  under  the  constraint  of  our  sub-goal  definition,  was  possible  but  predicated  on  explicit  recognition  of  subgoal  features.  The  third  project  focused  on  development  of  new  cognitive  model-fitting  tool  leveraging  artificial  neural  networks  (ANN).  The  results  demonstrating  ANN  efficacy  in  fitting  parameters  and  identifying  models  with  tractable  and  intractable  likelihoods,  with  comparable  (or  better)  performance  relative  to  standard  methods  where  standard  methods  were  applicable.
■590    ▼aSchool  code:  0028.
■650  4▼aPsychology.
■650  4▼aNeurosciences.
■650  4▼aCognitive  psychology.
■653    ▼aArtificial  neural  networks
■653    ▼aComputational  cognitive  models
■653    ▼aHierarchy
■653    ▼aReinforcement  learning
■690    ▼a0621
■690    ▼a0317
■690    ▼a0633
■71020▼aUniversity  of  California,  Berkeley▼bPsychology.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160999▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서