論文の概要: Neural Superstatistics: A Bayesian Method for Estimating Dynamic Models
of Cognition
- arxiv url: http://arxiv.org/abs/2211.13165v1
- Date: Wed, 23 Nov 2022 17:42:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 16:00:59.969599
- Title: Neural Superstatistics: A Bayesian Method for Estimating Dynamic Models
of Cognition
- Title（参考訳）: ニューラル超統計:認知の動的モデル推定のためのベイズ的手法
- Authors: Lukas Schumacher, Paul-Christian B\"urkner, Andreas Voss, Ullrich
K\"othe, Stefan T. Radev
- Abstract要約: 我々は,時間変化パラメータと時間不変パラメータの両方を復元できるベイズ推論のシミュレーションに基づくディープラーニング手法を開発した。
この結果から,ディープラーニングアプローチは時間的ダイナミクスを捉える上で極めて効率的であることが示唆された。
- 参考スコア（独自算出の注目度）: 0.13999481573773068
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Mathematical models of cognition are often memoryless and ignore potential
fluctuations of their parameters. However, human cognition is inherently
dynamic, regardless of the reference time scale. Thus, we propose to augment
mechanistic cognitive models with a temporal dimension and estimate the
resulting dynamics from a superstatistics perspective. In its simplest form,
such a model entails a hierarchy between a low-level observation model and a
high-level transition model. The observation model describes the local behavior
of a system, and the transition model specifies how the parameters of the
observation model evolve over time. To overcome the estimation challenges
resulting from the complexity of superstatistical models, we develop and
validate a simulation-based deep learning method for Bayesian inference, which
can recover both time-varying and time-invariant parameters. We first benchmark
our method against two existing frameworks capable of estimating time-varying
parameters. We then apply our method to fit a dynamic version of the diffusion
decision model to long time series of human response times data. Our results
show that the deep learning approach is very efficient in capturing the
temporal dynamics of the model. Furthermore, we show that the erroneous
assumption of static or homogeneous parameters will hide important temporal
information.
- Abstract（参考訳）: 認知の数学的モデルは、しばしば記憶がなく、パラメータの潜在的な揺らぎを無視する。
しかしながら、人間の認知は基準時間スケールに関係なく本質的に動的である。
そこで本稿では,時間次元の機械的認知モデルを拡張し,超統計学の観点から結果のダイナミクスを推定する。
最も単純な形式では、そのようなモデルは低レベルの観測モデルと高レベルの遷移モデルの間の階層を含む。
観測モデルはシステムの局所挙動を記述し、遷移モデルは観察モデルのパラメータが時間とともにどのように進化するかを特定する。
超統計モデルの複雑さから生じる推定課題を克服するため、ベイズ推論のシミュレーションに基づくディープラーニング手法を開発し、検証し、時間変化パラメータと時間不変パラメータの両方を復元する。
まず,提案手法を時間変動パラメータを推定可能な2つの既存フレームワークに対してベンチマークした。
次に,拡散決定モデルの動的バージョンをヒトの応答時間の時系列データに適用する手法を提案する。
その結果、ディープラーニングアプローチはモデルの時間的ダイナミクスを捉えるのに非常に効率的であることがわかった。
さらに,静的パラメータや均質パラメータの誤った仮定が重要な時間情報を隠蔽することを示す。
関連論文リスト
- Parametric model reduction of mean-field and stochastic systems via higher-order action matching [1.1509084774278489]
我々は、勾配と平均場効果を特徴とする物理系の人口動態のモデルを学ぶ。
提案手法は,幅広いパラメータの集団動態を正確に予測し,最先端拡散モデルおよびフローベースモデルより優れていることを示す。
論文 参考訳（メタデータ） (2024-10-15T19:05:28Z) - Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
論文 参考訳（メタデータ） (2024-09-05T18:14:22Z) - Towards Learning Stochastic Population Models by Gradient Descent [0.0]
パラメータと構造を同時に推定することで,最適化手法に大きな課題が生じることを示す。
モデルの正確な推定を実証するが、擬似的、解釈可能なモデルの推論を強制することは、難易度を劇的に高める。
論文 参考訳（メタデータ） (2024-04-10T14:38:58Z) - Discovering Dynamic Patterns from Spatiotemporal Data with Time-Varying
Low-Rank Autoregression [12.923271427789267]
低ランクテンソル因子化により係数がパラメータ化される時間還元ベクトル自己回帰モデルを開発した。
時間的文脈において、複雑な時間変化系の挙動は、提案モデルにおける時間的モードによって明らかにすることができる。
論文 参考訳（メタデータ） (2022-11-28T15:59:52Z) - On the Influence of Enforcing Model Identifiability on Learning dynamics
of Gaussian Mixture Models [14.759688428864159]
特異モデルからサブモデルを抽出する手法を提案する。
本手法はトレーニング中のモデルの識別性を強制する。
この手法がディープニューラルネットワークのようなより複雑なモデルにどのように適用できるかを示す。
論文 参考訳（メタデータ） (2022-06-17T07:50:22Z) - Time varying regression with hidden linear dynamics [74.9914602730208]
線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。
反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
論文 参考訳（メタデータ） (2021-12-29T23:37:06Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。
トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文 参考訳（メタデータ） (2020-10-27T17:54:12Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。