論文の概要: Inferring response times of perceptual decisions with Poisson variational autoencoders

• arxiv url: http://arxiv.org/abs/2511.11480v1
• Date: Fri, 14 Nov 2025 16:58:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.732476
• Title: Inferring response times of perceptual decisions with Poisson variational autoencoders
• Title（参考訳）: ポアソン変分オートエンコーダを用いた知覚決定の応答時間推定
• Authors: Hayden R. Johnson, Anastasia N. Krouglova, Hadi Vafaii, Jacob L. Yates, Pedro J. Gonçalves,
• Abstract要約: 知覚的意思決定のイメージ計算可能なモデルを提案する。 我々はポアソン変分オートエンコーダを用いて視覚刺激の教師なし表現を学習する。 我々は知覚的意思決定の鍵となる経験的シグネチャを再現する。
• 参考スコア（独自算出の注目度）: 5.446992246812712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many properties of perceptual decision making are well-modeled by deep neural networks. However, such architectures typically treat decisions as instantaneous readouts, overlooking the temporal dynamics of the decision process. We present an image-computable model of perceptual decision making in which choices and response times arise from efficient sensory encoding and Bayesian decoding of neural spiking activity. We use a Poisson variational autoencoder to learn unsupervised representations of visual stimuli in a population of rate-coded neurons, modeled as independent homogeneous Poisson processes. A task-optimized decoder then continually infers an approximate posterior over actions conditioned on incoming spiking activity. Combining these components with an entropy-based stopping rule yields a principled and image-computable model of perceptual decisions capable of generating trial-by-trial patterns of choices and response times. Applied to MNIST digit classification, the model reproduces key empirical signatures of perceptual decision making, including stochastic variability, right-skewed response time distributions, logarithmic scaling of response times with the number of alternatives (Hick's law), and speed-accuracy trade-offs.
• Abstract（参考訳）: 知覚的意思決定の多くの特性は、ディープニューラルネットワークによって十分にモデル化されている。 しかしながら、そのようなアーキテクチャは通常、意思決定を瞬間的な読み出しとして扱い、意思決定プロセスの時間的ダイナミクスを見渡す。 本稿では,効率的な感覚符号化から選択時間と応答時間が生じる知覚的意思決定のイメージ計算可能なモデルと,ニューラルスパイク活動のベイズ的復号化について述べる。 我々はポアソン変分オートエンコーダを用いて、独立な同質ポアソン過程をモデル化した速度符号化ニューロン群における視覚刺激の教師なし表現を学習する。 そして、タスク最適化復号器は、入射スパイク活動に条件付けられた近似後続動作を継続的に推測する。 これらの成分とエントロピーに基づく停止規則を組み合わせることで、選択と応答時間の試行的なパターンを生成することができる知覚決定の原理的および画像計算可能なモデルが得られる。 MNIST桁分類に適用すると、このモデルは確率的変動、右スクリュー応答時間分布、オルタナティブの数(ヒックの法則)による応答時間の対数的スケーリング、速度精度トレードオフなど、知覚的意思決定の重要な経験的シグネチャを再現する。

関連論文リスト

• Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
  本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。 本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
  論文  参考訳（メタデータ） (2025-03-20T12:28:08Z)
• Switchable Decision: Dynamic Neural Generation Networks [98.61113699324429]
  本稿では,各データインスタンスのリソースを動的に割り当てることで,推論を高速化するスイッチブルな決定を提案する。 提案手法は, 同一の精度を維持しながら, 推論時のコスト低減に有効である。
  論文  参考訳（メタデータ） (2024-05-07T17:44:54Z)
• Temporal Conditioning Spiking Latent Variable Models of the Neural Response to Natural Visual Scenes [29.592870472342337]
  本研究は, 時間条件付潜時変動モデル(TeCoS-LVM)を提示し, 自然視覚刺激に対する神経応答をシミュレートする。 スパイクニューロンを使用して、記録された列車と直接一致するスパイク出力を生成します。 我々は,TeCoS-LVMモデルにより,よりリアルなスパイク活動が生成され,強力な代替手段よりも正確なスパイク統計に適合することを示す。
  論文  参考訳（メタデータ） (2023-06-21T06:30:18Z)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• SATBench: Benchmarking the speed-accuracy tradeoff in object recognition by humans and dynamic neural networks [0.45438205344305216]
  人々はスピードと正確さの間の柔軟なトレードオフを示しています。 ImageNet画像の認識において、SAT(Speed-accuracy Tradeoff)の最初の大規模データセットを示す。 我々は,曲線適合誤差,カテゴリー相関,曲線急勾配について,人とのネットワークを比較した。
  論文  参考訳（メタデータ） (2022-06-16T20:03:31Z)
• 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)
• Time Dependence in Non-Autonomous Neural ODEs [74.78386661760662]
  時変重みを持つニューラルODEの新しいファミリーを提案する。 我々は、速度と表現能力の両面で、従来のニューラルODEの変形よりも優れていた。
  論文  参考訳（メタデータ） (2020-05-05T01:41:46Z)
• Stochasticity in Neural ODEs: An Empirical Study [68.8204255655161]
  ニューラルネットワークの正規化(ドロップアウトなど)は、より高度な一般化を可能にするディープラーニングの広範な技術である。 トレーニング中のデータ拡張は、同じモデルの決定論的およびバージョンの両方のパフォーマンスを向上させることを示す。 しかし、データ拡張によって得られる改善により、経験的正規化の利得は完全に排除され、ニューラルODEとニューラルSDEの性能は無視される。
  論文  参考訳（メタデータ） (2020-02-22T22:12:56Z)
• Unifying and generalizing models of neural dynamics during decision-making [27.46508483610472]
  本稿では,意思決定作業中の神経活動モデリングのための統一フレームワークを提案する。 このフレームワークは標準ドリフト拡散モデルを含み、多次元アキュミュレータ、可変および崩壊境界、離散ジャンプなどの拡張を可能にする。
  論文  参考訳（メタデータ） (2020-01-13T23:57:28Z)

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。