Gamer in the scanner: imitation of human video gameplay and fMRI brain activity using artificial neural networks
Notice bibliographique
Résumé
Artificial neural networks can successfully play video games, yet these AI agents have difficulty adapting to changes in the game environment, or transfer knowledge across different games. As human players can efficiently transfer skills across environments, the Courtois NeuroMod team is working to align the representations of artificial neural networks with human players [1]. We first designed and validated a fully MRI-compatible video game controller [2]. The data collected for this project are part of an extremely deep individual fMRI sample currently featuring up to 140 hours of fMRI per subject (N=6), made available for the community as part of the Courtois NeuroMod data bank (https://cneuromod.ca). We successfully trained artificial agents to imitate the actions of humans playing the game “Shinobi III: revenge of the ninja master” and found that the internal representations of the agents could be used to effectively predict individual brain activity measured with functional magnetic resonance imaging [3]. This work could open new avenues to train robust AI video game characters, and gain new insights in brain representations for active and complex stimuli. 1. Bellec, P., and Boyle, J. Bridging the gap between perception and action: the case for neuroimaging, AI and video games. Psyarxiv 2019. Link to Paper 2. Harel*, Y., Cyr*, A., Boyle, J., Pinsard, B., Jerbi, K. and Bellec, P. Gamer in the scanner: open design and validation of a video game controller for MRI and MEG. Psyarxiv 2022. Link to Paper * joint first authorship 3. Kemtur, A., Paugam, F., Pinsard, B., Sainath, P., Harel, Y., Le clei, M., Boyle, J., Jerbi, K. and Bellec, P. AI-based modeling of brain and behavior: Combining neuroimaging, imitation learning and video games. Proceedings of Computational Cognitive Neuroscience Conference 2022. Link to Paper
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».