人类每天要做出近 35,000 个决定，从过马路是否安全到午餐吃什么。每个决定都涉及权衡各种选择、回忆过去类似的情景，并对正确的选择有充分的信心。看似仓促的决定实际上来自于从周围环境中收集的证据。而且，同一个人在不同时间对相同情景做出的决定往往不同。
神经网络则相反，每次都做出相同的决定。现在，佐治亚理工学院副教授 Dobromir Rahnev 实验室的研究人员正在训练它们做出更像人类的决策。研究人员表示，这种人类决策科学才刚刚应用于机器学习，但开发更接近实际人脑的神经网络可能会使其更加可靠。
在《自然人类行为》杂志的一篇题为《神经网络 RTNet 展现人类感知决策的特征》的论文中，心理学学院的一个团队展示了一种经过训练可以做出类似人类决策的新型神经网络。
解码决策
“神经网络在做出决定时不会告诉你它们是否对自己的决定有信心，”在佐治亚理工学院获得心理学博士学位的 Farshad Rafiei 说道。“这是与人类决策方式的本质区别之一。”
例如，大型语言模型 (LLM) 很容易产生幻觉。当 LLM 被问到一个它不知道答案的问题时，它会编造一些东西而不承认这是幻觉。
相比之下，大多数人在同样的情形下都会承认自己不知道答案。构建更像人类的神经网络可以防止这种重复行为，并得出更准确的答案。
制作模型
该团队使用来自著名计算机科学数据集MNIST 的手写数字训练了他们的神经网络，并要求它解读每个数字。为了确定模型的准确性，他们使用原始数据集运行该模型，然后向数字中添加噪音，使人类更难辨别。
为了将模型性能与人类进行比较，他们在没有噪音的原始 MNIST 数据集上训练了他们的模型(以及其他三个模型：CNet，BLNet 和 MSDNet)，但在实验中使用的嘈杂版本上对它们进行了测试，并比较了两个数据集的结果。
研究人员的模型依赖于两个关键组件：贝叶斯神经网络 (BNN)，它使用概率来做出决策;以及证据积累过程，它跟踪每个选择的证据。BNN 每次产生的响应略有不同。随着它收集更多的证据，积累过程有时会偏向一个选择，有时会偏向另一个选择。一旦有足够的证据来做决定，RTNet 就会停止积累过程并做出决定。