論文の概要: Identifying Informative Environments for Cognition Parameter Inference via Bayesian Experimental Design
- arxiv url: http://arxiv.org/abs/2607.28894v2
- Date: Mon, 03 Aug 2026 11:58:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:24.261486
- Title: Identifying Informative Environments for Cognition Parameter Inference via Bayesian Experimental Design
- Title（参考訳）: ベイズ実験設計による認知パラメータ推論のためのインフォーマティブ環境の同定
- Abstract要約: ベイズ実験設計問題として認知計画実験の設計を定式化し,実験環境を設計変数として扱う。
マウスラブ-MDPプロセストレーシングのパラダイムの実験では、償却されたBEDは正確なモンテカルロBEDの環境ランキングと密接に一致している。
単一の環境は、認知的推論の目的に対して一様に最適ではなく、期待される情報ゲイン、リカバリ可能性、情報効率のトレードオフを明らかにする。
- 参考スコア（独自算出の注目度）: 15.793045896878395
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computational cognitive modeling seeks to infer latent cognitive mechanisms underlying observed behavior. Bayesian inverse planning provides a principled framework for such inference, but its success depends critically on the experimental environment. Existing approaches typically treat environments as fixed, leaving open the question of which cognitive experiments are most informative for cognition parameter inference. We formulate the design of cognitive planning experiments as a Bayesian Experimental Design (BED) problem, treating the experimental environment as the design variable. We establish an exact Monte Carlo BED benchmark and introduce an amortized Bayesian experimental design framework for efficient posterior inference and design evaluation. Experiments on the Mouselab-MDP process-tracing paradigm show that amortized BED closely matches the environment rankings of exact Monte Carlo BED while substantially reducing computational cost. We further show that no single environment is uniformly optimal across cognitive inference objectives, revealing trade-offs between expected information gain, posterior recoverability, and information efficiency. These results provide a principled framework for designing informative cognitive experiments for Bayesian parameter inference.
- Abstract（参考訳）: コンピュータ認知モデリング(Computational Cognitive Modeling)は、観察された行動の根底にある潜在的な認知メカニズムを推測する。
ベイジアン逆計画(Bayesian inverse planning)はそのような推論の原則的な枠組みを提供するが、その成功は実験環境に大きく依存する。
既存のアプローチは通常、環境を固定として扱うが、認知パラメータ推論にとって最も有益な認知実験はどれかという疑問を解き放つ。
ベイズ実験設計(BED)問題として認知計画実験の設計を定式化し,実験環境を設計変数として扱う。
我々は、正確なモンテカルロBEDベンチマークを確立し、効率的な後部推論と設計評価のためのアモータイズされたベイズの実験的設計フレームワークを導入する。
マウスラブ-MDPプロセストレーシングのパラダイムの実験では、償却されたBEDは計算コストを大幅に削減しつつ、正確なモンテカルロBEDの環境ランクと密接に一致している。
さらに,予測情報ゲイン,後部回復性,情報効率のトレードオフを明らかにすることにより,認知的推測対象に対して単一環境が一様に最適でないことを示す。
これらの結果はベイズパラメータ推論のための情報的認知実験を設計するための原則的枠組みを提供する。
関連論文リスト
- Observationally Informed Adaptive Causal Experimental Design [55.998153710215654]
本稿では,観測モデルを基礎的先行として活用する新たなパラダイムであるアクティブ残留学習を提案する。
このアプローチは、実験的な焦点を、目標因果量の学習から、観察バイアスの補正に必要な残差を効率的に推定するへとシフトさせる。
合成および半合成ベンチマークの実験は、R-Designがベースラインを大幅に上回ることを示した。
論文 参考訳（メタデータ） (2026-03-04T06:52:37Z) - Robust Experimental Design via Generalised Bayesian Inference [19.76344805798142]
Generalized Bayesian Optimal Experimental Design (GBOED) は、Gibs推論を実験設計に拡張したものである。
拡張情報理論フレームワークを用いて,ギブズ予測情報ゲインという新たな獲得関数を導出する(Gibbs EIG)。
論文 参考訳（メタデータ） (2025-11-10T22:25:01Z) - Approximation of differential entropy in Bayesian optimal experimental design [0.0]
設計から独立しているか、明示的に評価できるような設定において、期待される情報ゲインを推定することに集中する。
これにより、問題は最大エントロピー推定に還元され、期待される情報ゲインに固有のいくつかの課題が軽減される。
我々は,この戦略が,完全な情報取得推定のための最先端手法に匹敵する,あるいはそれ以上の収束率を達成することを証明した。
論文 参考訳（メタデータ） (2025-10-01T10:17:07Z) - Accelerated Bayesian Optimal Experimental Design via Conditional Density Estimation and Informative Data [0.4178382980763478]
実験設計 (Design of Experiments, DOEs) は、実験結果の妥当性、信頼性、効率を高めるための体系的な原則と技法を研究者に提供する基本的な科学的方法論である。
本研究では,ベイズ定理を用いてベイズフレームワーク内の最適実験設計を探索し,実用性期待を再構築する。
論文 参考訳（メタデータ） (2025-07-21T04:41:05Z) - Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。
第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。
第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
論文 参考訳（メタデータ） (2025-02-11T19:24:09Z) - Metrics for Bayesian Optimal Experiment Design under Model
Misspecification [3.04585143845864]
ユーティリティ関数は、共通ユーティリティ関数が情報ゲインである実験の目的を定義する。
この記事では、従来の期待情報獲得基準を超えて、このプロセスのための拡張されたフレームワークを紹介します。
フレームワークの機能は、線形化スプリングマッサーダンパーシステムとF-16モデルを含むシナリオに適用することで紹介される。
論文 参考訳（メタデータ） (2023-04-17T02:13:20Z) - Online simulator-based experimental design for cognitive model selection [74.76661199843284]
本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。
シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
論文 参考訳（メタデータ） (2023-03-03T21:41:01Z) - Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。
実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-10-07T02:12:34Z) - Hybrid Predictive Coding: Inferring, Fast and Slow [62.997667081978825]
本稿では,反復型と償却型の両方を原則的に組み合わせたハイブリッド予測符号化ネットワークを提案する。
我々は,本モデルが本質的に不確実性に敏感であり,最小計算費用を用いて正確な信念を得るためにバランスを適応的にバランスさせることを実証した。
論文 参考訳（メタデータ） (2022-04-05T12:52:45Z) - Sequential Bayesian experimental designs via reinforcement learning [0.0]
我々は,BEDを逐次的に構築するために,強化学習による逐次実験設計を提案する。
提案手法は,新たな実世界指向実験環境を提案することで,期待される情報獲得を最大化することを目的としている。
提案手法は,EIGやサンプリング効率などの指標において,既存の手法よりも優れていることを確認した。
論文 参考訳（メタデータ） (2022-02-14T04:29:04Z) - 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)
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。