Emotional Competence and Adaptability in Artificial Intelligence

Abstract

The advent of deep learning and Artificial Intelligence (AI), combined with the recent hardware advancements that made it possible, has brought on a wave of new and successful approaches to many problems previously unsolvable. However, critical challenges remain linked with algorithm dependency on big data, user input, and related issues, hindering autonomy. Simultaneously, increasingly independent systems must account for user admissibility as well as develop rapport with the human counterparts they accompany. These issues require attention if the current progress rate in AI is to continue. Thus, the main focus of this research was the study and development of deep learning solutions pertaining to emotional competence and adaptability, emulating biological factors that mitigate the specified issues. Consequently, this document encompasses two major parts where the developed solutions are appropriately presented within each of their corresponding areas of research.While formulation and development of bio-inspired solutions encompassed most of this thesis’ duration, such an endeavor was premised by familiarization with and computational adaptation of how biological phenomena occur and affect the brain concerning learning, affection, and information processing. This constitutes the first part of the manuscript and was done to ensure the validity of the solutions with respect to Neurophysiology. Respectively, neural circuitry involved in emotional processing and demeanor adaptation to stimuli was overviewed in depth. This was studied in tandem with the interpretative take of Psychology on the effect emotion has on decision-making and behavior. Principal factors to consider for both emotion recognition and expression by artificial agents were also surveyed. Moreover, adaptive characteristics, particularly relating to neuromodulation and plastic re-organization, were assessed in terms of their suitability for emulation within the context of artificial intelligence.Solutions within the context of emotion recognition/expression were addressed in the second part of this thesis, mitigating issues on the loss of valuable information and the development of empathic behavior by agents. Both resulted in successful improvements within their respective fields, with applications envisioning the service and assistive systems as well as companionship robotics largely for health and eldercare. Regarding the third part of this thesis, two different methods were proposed following dopamine emulation in artificial neural networks. While effects over learning efficiency were negligible, hindering the initial goal, an interesting parallelism was observed between biological neuromodulation and this work. This is particularly important as it still demonstrates the validity of the work developed. Secondly, given interdisciplinary knowledge’s importance for the advancement of research, an experiment was designed based on psychology guidelines for human participants and a neurological background implemented for correlating emotional stimuli with action selection. With this foundation, artificial agents successfully demonstrated surprise-exploration and pride-exploration correlations similar to those learned by living beings for adequate survival and goal achievement. Naturally learning useful correlations between intrinsic qualities and decision-making is tremendously impactful for AI, with the outcome of this research having spun off into works on more autonomous social robotics. The final part of this thesis presented open-ended questions regarding the previous chapters as well as proposed a bio-inspired strategy for dealing with overfitting issues prevalent in neural network training, with promising early-stage results.

O crescimento de deep learning e AI, combinado com os recentes avanços em hardware que o permitiram, despoletaram uma onda de novas e bem-sucedidas abordagens a vários problemas, antes irresolúveis. No entanto, diversos desafios existem ainda relacionados com dependência de algoritmos em big data, input do utilizador e outros problemas impeditivos de maior autonomia. Simultaneamente, sistemas mais independentes devem ter em consideração a sua aceitação por parte do utilizador, bem como o desenvolvimento de conexão com os humanos que acompanham. Estes problemas requerem especial atenção, para que esta taxa de progresso em AI se mantenha. Como tal, o cerne desta tese foi o estudo e desenvolvimento de soluções em deep learning ligadas à competência emocional e adaptabilidade, através da emulação de fatores biológicos mitigantes dos problemas mencionados. Consequentemente, este documento inclui duas partes principais e distintas, onde as soluções desenvolvidas são apresentadas dentro das suas áreas de pesquisa correspondentes.A formulação e desenvolvimento de soluções bio-inspiradas ocupou grande parte da duração desta tese. Contudo, tal foi precedido por familiarização e adaptação para computação dos fenómenos biológicos que ocorrem e afetam o cérebro no que toca a aprendizagem, afetividade e processamento de informação. Este segmento de trabalho constitui a primeira parte do manuscrito e foi feito de modo a assegurar a validade das soluções relativamente a Neurofisiologia. Respetivamente, circuitos neuronais envolvidos em processamento emocional e adaptação comportamental a estímulos foram estudados compreensivamente. Conjuntamente foi explorada a perspetiva interpretativa da Psicologia sobre os efeitos que emoção acarreta sobre comportamento e tomada de decisões. Deste modo, foram averiguados quais os principais fatores a considerar tanto para reconhecimento como para expressão de emoção por parte de agentes artificiais. Adicionalmente, caraterísticas adaptativas, maioritariamente relacionadas com neuromodulação e re-organização plástica, foram avaliadas em termos da sua adequação à emulação no contexto de inteligência artificial.Trabalhos enquadrados na área de reconhecimento/expressão de emoção foram expostos na segunda parte desta tese, com um intuito de mitigar problemas relacionados com perda de informação valiosa e desenvolvimento de empatia por agentes. Ambos os trabalhos foram bem-sucedidos e resultaram em melhorias dentro das suas respetivas áreas, com aplicações ponderadas para sistemas de assistência e serviço, bem como robótica de companhia no campo da saúde e tratamento de idosos. Em relação à terceira parte desta tese, dois métodos diferentes foram pro- postos em concordância com emulação de dopamina em redes neuronais artificiais. Enquanto que efeitos sobre eficiência na aprendizagem foram desprezíveis, travando o cumprimento do objectivo inicial, um paralelismo interessante foi observado entre este trabalho e neuromodulação biológica. Isto é particularmente importante uma vez que contribui para a validação do trabalho desenvolvido. Além deste trabalho, visando a importância do conhecimento interdisciplinar para o avanço de pesquisa, uma experiência foi desenhada tendo por base orientações da psicologia explicitadas para participantes humanos e também numa base neurológica responsável por correlacionar estímulo emocional com seleção de ações. Estabelecidos estes alicerces, agentes artificiais demonstraram com sucesso correlações surpresa-exploração e orgulho-exploração semelhantes às adquiridas por seres vivos, para sobrevivência e cumprimento de objetivos. Naturalmente, aprendizagem de correlações úteis entre qualidades intrínsecas e tomada de decisões é extremamente impactante para AI, com o resultado desta pesquisa tendo levado a outros trabalhos de aplicação em robótica social mais autónoma. A parte final desta tese apresentou questões abertas com respeito aos capítulos anteriores, assim como propôs uma estratégia bio-inspirada para lidar com questões de overfitting prevalentes no treino de redes neuronais. Resultados iniciais desta abordagem demonstraram ser promissores.