在人类屏幕组项目中对现代人工智能的个体特异性方法进行绑定:从普遍化向可转移性

科学领域:

• 计算神经科学是一种计算神经科学.
• 人工智能的人工智能是人工智能.
• 行为科学是一种行为科学.

背景情况:

• 数字生活记录和人工智能建模方面的进步为行为过程分析提供了新的途径.
• 个体特定的研究范式面临着关于发现的概括性的审查.

研究的目的:

• 在人为特异的人工智能研究中重新构建概括性问题,以实现模型可转移性.
• 探索自我监督和深度神经网络的应用,以在个人特定的超强度纵向数据中转移学习.

主要方法:

• 利用来自人类屏幕组项目的超强度纵向数据.
• 应用自我监督和深度神经网络架构,以促进转移学习.
• 通过一个人特定的镜头分析数字生活数据.

主要成果:

• 建议在个人特定研究中对概括性的担忧是毫无根据的.
• 建议用可转移性演示来取代概括性讨论.
• 突出了转移学习对特定人群行为建模的潜力.

结论:

• 模型可转移性为个人特定的人工智能研究提供了一个比一般化更具生产力的框架.
• 深度学习和自我监督是个人特定转移学习的关键推动因素.
• 人类屏幕组项目的数据非常适合探索这些特定人群的建模方法.