arXiv cs.AI· Grayson Matthew, Lokesh Boominathan, Yizhou Chen, Matthew McGinley, Xaq Pitkow·· 9 天前AI 评分22
何时需要注意力：资源高效智能体的最优注意力分配策略
Attention when you need
AI 导读
一项基于信号检测任务的规范模型研究揭示了资源高效智能体的最优注意力分配策略：当注意力成本较高时，最优注意力随信号证据积累逐步攀升；当注意力成本较低时，最优注意力呈节律性波动，且波动频率随奖励幅度、信号短暂性和信号频率等任务参数增加而提高。研究认为，节律性注意力自然涌现于信念更新由稳定时间先验主导、而非新感觉观测似然主导的智能体。
正文 · AI 翻译
摘要：集中注意力能提升表现，但注意力在代谢上是昂贵的，那么一个资源高效的智能体应如何分配注意力？我们通过一个注意力需要付出代价的信号检测任务的规范性模型，研究最优分配策略。该模型揭示，最优注意力在时间上会依据任务条件呈现两种模式之一的结构化：当注意力成本惩罚高强度专注时，最优注意力会随着信号证据的积累而逐步增强；但当注意力成本不那么高昂时，最优注意力会节律性地波动。在具有节律性注意力的情况下，分配频率会随任务参数（如成功检测的奖励大小、信号的短暂性和信号频率）而增加。我们认为，节律性注意力会自然出现在一个其信念更新由稳定的时间先验主导、而非由新感觉观测的似然主导的智能体中。我们的结果刻画了节律性注意力与递增式注意力各自最优的条件，并为持续注意任务中观察到的注意力波动提供了一个规范性解释。
| 主题： | 神经元与认知（q-bio.NC）；人工智能（cs.AI） |
| 引用为： | arXiv:2501.07440 [q-bio.NC] |
| （或使用 arXiv:2501.07440v3 [q-bio.NC] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2501.07440 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Lokesh Boominathan [查看电子邮件]
[v1]
2025年1月13日星期一 16:08:47 UTC（2,496 KB）
[v2]
2025年1月29日星期三 16:04:17 UTC（2,496 KB）
[v3]
2026年10月8日星期四 06:19:20 UTC（1,452 KB）
来源：arXiv cs.AI · arxiv.org