論文の概要: How the Stroop Effect Arises from Optimal Response Times in Laterally Connected Self-Organizing Maps

• arxiv url: http://arxiv.org/abs/2502.02831v2
• Date: Fri, 07 Feb 2025 01:21:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-10 11:34:31.233480
• Title: How the Stroop Effect Arises from Optimal Response Times in Laterally Connected Self-Organizing Maps
• Title（参考訳）: 側方連結自己組織化マップにおける最適応答時間からのストループ効果の出現
• Authors: Divya Prabhakaran, Uli Grasemann, Swathi Kiran, Risto Miikkulainen,
• Abstract要約: ストループ効果(Stroop effect)は、色名タスクにおける認知的干渉を指す。 本稿では,自己組織化マップ(SOM)を用いたStroopタスクを実装した。 このモデルは全体の84.2%の精度を達成し、エラーは大幅に減少し、一致した条件下では応答が速くなった。
• 参考スコア（独自算出の注目度）: 8.814096674916053
• License:
• Abstract: The Stroop effect refers to cognitive interference in a color-naming task: When the color and the word do not match, the response is slower and more likely to be incorrect. The Stroop task is used to assess cognitive flexibility, selective attention, and executive function. This paper implements the Stroop task with self-organizing maps (SOMs): Target color and the competing word are inputs for the semantic and lexical maps, associative connections bring color information to the lexical map, and lateral connections combine their effects over time. The model achieved an overall accuracy of 84.2%, with significantly fewer errors and faster responses in congruent compared to no-input and incongruent conditions. The model's effect is a side effect of optimizing response times, and can thus be seen as a cost associated with overall efficient performance. The model can further serve studying neurologically-inspired cognitive control and related phenomena.
• Abstract（参考訳）: ストループ効果(Stroop effect)とは、色名タスクにおける認知的干渉のこと。 Stroopタスクは、認知の柔軟性、選択的注意力、実行機能を評価するために使用される。 本稿では,Stroopタスクを自己組織化マップ(SOM)で実装する: ターゲット色と競合語は意味的および語彙的マップの入力であり,連想接続は語彙的マップに色情報をもたらし,横接続は時間とともにそれらの効果を結合する。 このモデルは全体の84.2%の精度を達成し、非入力条件や不一致条件と比較してエラーが大幅に少なく、応答が速い。 このモデルの効果は、応答時間を最適化する副作用であり、それによって全体的な効率的な性能に関連するコストと見なすことができる。 このモデルは、神経学的にインスパイアされた認知制御と関連する現象の研究に役立てることができる。

関連論文リスト

• Improving Fairness using Vision-Language Driven Image Augmentation [60.428157003498995]
  公平性は、特に顔領域において、ディープラーニングの識別モデルを訓練する際に重要である。 モデルは、特定の特性(年齢や肌の色など)と無関係な属性(下流タスク)を関連付ける傾向がある 本稿では,これらの相関を緩和し,公平性を向上する手法を提案する。
  論文  参考訳（メタデータ） (2023-11-02T19:51:10Z)
• The Effect of Scaling, Retrieval Augmentation and Form on the Factual Consistency of Language Models [7.2022332882214695]
  大規模言語モデル(LLM)は、事実知識に対する自然なインタフェースを作るが、その有用性は意味論的に等価な質問に対して一貫性のない回答を提供する傾向によって制限される。 不整合の潜在的な原因を特定し、検索コーパスを用いてLMのスケールアップと拡張という2つの緩和戦略の有効性を評価する。
  論文  参考訳（メタデータ） (2023-11-02T15:20:11Z)
• Sensitivity, Performance, Robustness: Deconstructing the Effect of Sociodemographic Prompting [64.80538055623842]
  社会デマトグラフィープロンプトは、特定の社会デマトグラフィープロファイルを持つ人間が与える答えに向けて、プロンプトベースのモデルの出力を操縦する技術である。 ソシオデマトグラフィー情報はモデル予測に影響を及ぼし、主観的NLPタスクにおけるゼロショット学習を改善するのに有用であることを示す。
  論文  参考訳（メタデータ） (2023-09-13T15:42:06Z)
• Linguistic Binding in Diffusion Models: Enhancing Attribute Correspondence through Attention Map Alignment [87.1732801732059]
  テキスト条件付き画像生成モデルは、エンティティとその視覚的属性間の誤った関連をしばしば生成する。 本稿では、まず、エンティティとその修飾子を識別するプロンプトを構文解析するSynGenを提案する。 新たな1つの挑戦的セットを含む3つのデータセットに対する人間による評価は、現在の技術手法と比較して、SynGenの大幅な改善を示している。
  論文  参考訳（メタデータ） (2023-06-15T06:21:44Z)
• BigSmall: Efficient Multi-Task Learning for Disparate Spatial and Temporal Physiological Measurements [28.573472322978507]
  生理・行動計測のための効率的なアーキテクチャであるBigSmallを提案する。 本稿では,時間シフトモジュールをラップしたマルチブランチネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-21T03:41:57Z)
• DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena [59.291745595756346]
  本研究では,時間遅延のウィンドウに関連する因果関係の発見に人間が参加できる視覚分析手法を提案する。 具体的には、論理に基づく因果関係の確立した手法を活用し、分析者が潜在的な原因の重要性を検証できるようにする。 効果は他の効果の原因となりうるので,本手法で検出した時間的要因と効果の関係を視覚フロー図にまとめることができる。
  論文  参考訳（メタデータ） (2023-03-12T03:40:21Z)
• Evaluating Temporal Patterns in Applied Infant Affect Recognition [5.312541762281102]
  本稿では,幼児とロボットの相互作用の文脈における分類性能に影響を及ぼす時間的パターンについて述べる。 乳幼児は顔と体の特徴の両方を用いて認識分類器に影響を及ぼすよう訓練した。 パフォーマンスが経時的にどのように変化したかを評価するため,ベストパフォーマンスモデルについて詳細な分析を行った。
  論文  参考訳（メタデータ） (2022-09-07T23:29:15Z)
• iCITRIS: Causal Representation Learning for Instantaneous Temporal Effects [36.358968799947924]
  因果表現学習は、基礎となる因果変数とその関係を高次元観測から識別するタスクである。 時間的シーケンスにおける瞬時効果を処理できる因果表現学習法iCITRISを提案する。 3つのビデオデータセットの実験において、iCITRISは因果因子とその因果グラフを正確に識別する。
  論文  参考訳（メタデータ） (2022-06-13T13:56:40Z)
• Fuzzy Stochastic Timed Petri Nets for Causal properties representation [68.8204255655161]
  因果関係はしばしば有向グラフで表され、原因を示すノードと因果関係を表すリンクがある。 因果シナリオをグラフィカルに表現するために使われる一般的な方法は、ニューロン、真理表、因果ベイズネットワーク、認知地図、ペトリネットである。 従来のモデルは、前述のプロパティのいくつかを別々に表現できるが、それら全てをはっきりと説明しようとはしないことを示す。
  論文  参考訳（メタデータ） (2020-11-24T13:22:34Z)
• Disentanglement of Color and Shape Representations for Continual Learning [35.9011371989035]
  ネットワークアーキテクチャの調整により,色と形状の明示的な歪曲を行う。 特徴の絡み合いは連続学習性能に肯定的な影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2020-07-13T13:05:45Z)
• Improving Factual Consistency Between a Response and Persona Facts [64.30785349238619]
  応答生成のためのニューラルネットワークは、意味論的に妥当であるが、必ずしも話者のペルソナを記述する事実と矛盾しない応答を生成する。 我々は,これらのモデルを強化学習により微調整し,応答とペルソナ事実の一貫性と意味的妥当性を明確に把握する効率的な報酬関数を提案する。
  論文  参考訳（メタデータ） (2020-04-30T18:08:22Z)

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。