論文の概要: Divide-and-Conquer: Towards Generalizable Amortized Bayesian Inference for the Drift Diffusion Model
- arxiv url: http://arxiv.org/abs/2608.03566v1
- Date: Tue, 04 Aug 2026 12:29:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:23.186792
- Title: Divide-and-Conquer: Towards Generalizable Amortized Bayesian Inference for the Drift Diffusion Model
- Title（参考訳）: ディバイド・アンド・コンカー:ドリフト拡散モデルに対する一般化可能なアモータライズされたベイズ推論に向けて
- Abstract要約: 本稿では,複雑なドリフト拡散モデルのための分流・対流フレームワークを提案する。
各シャードに個別に推論を行い、その結果の後方をコンセンサスMCで結合する。
提案手法はMCMCに匹敵する精度と不確実性を実現する。
- 参考スコア（独自算出の注目度）: 1.0831080386904588
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The drift diffusion model (DDM) is a cornerstone of cognitive decision-making research. Although numerous estimation methods exist, researchers continue to seek inference approaches that are both fast and flexible across diverse study designs. Amortized Bayesian inference (ABI) can provide nearly instantaneous inference for complex stochastic models like the DDM, but neural networks trained for one study design cannot generalize to others. In this paper, we propose a divide-and-conquer framework that address this limitation. The core idea is that the DDM's independence assumption allows the full dataset to be decomposed into pairwise shards, each sharing a common structure that a single neural network can learn. Inference is performed on each shard separately and the resulting posteriors are combined via consensus MCMC to approximate the full posterior. Using simulated datasets, we evaluate the accuracy and uncertainty of this method. Our results show that the proposed divide-and-conquer approach achieves accuracy and uncertainty comparable to MCMC while reducing computational cost by several orders of magnitude. This work not only advances DDM estimation but also demonstrates a general strategy for improving the scalability and generalizability of ABI methods across diverse applications.
- Abstract（参考訳）: ドリフト拡散モデル(DDM)は認知的意思決定研究の基盤となっている。
多くの推定方法が存在するが、研究者は様々な研究設計において高速かつ柔軟な推論手法を模索し続けている。
ABI(Amortized Bayesian Inference)は、DDMのような複雑な確率モデルに対して、ほぼ瞬時に推論を行うことができるが、ある研究設計のために訓練されたニューラルネットワークは、他の研究に一般化することはできない。
本稿では,この制限に対処する分断・分断型フレームワークを提案する。
DDMの独立性の前提は、完全なデータセットをペアのシャードに分解し、それぞれが単一のニューラルネットワークが学習可能な共通構造を共有する、というものだ。
各シャードに対して推論を別々に行い、結果として得られる後部をコンセンサスMCを介して組み合わせて全後部を近似する。
シミュレーションデータセットを用いて,本手法の精度と不確実性を評価する。
提案手法はMCMCに匹敵する精度と不確実性を達成し,計算コストを桁違いに削減できることを示す。
この研究は、DDM推定を前進させるだけでなく、多様なアプリケーションにわたるABI法のスケーラビリティと一般化性を改善するための一般的な戦略も示している。
関連論文リスト
- Explainable Multimodal Regression via Information Decomposition [27.157278306251772]
部分情報分解(PID)に基づく新しい多モード回帰フレームワークを提案する。
本フレームワークは,予測精度と解釈可能性の両方において最先端の手法より優れ,効率的な推論のための情報モダリティ選択を可能にする。
論文 参考訳（メタデータ） (2025-12-26T18:07:18Z) - Understanding the Trade-offs in Accuracy and Uncertainty Quantification: Architecture and Inference Choices in Bayesian Neural Networks [0.276240219662896]
有望な理論的結果にもかかわらず、最もよく使われる後部近似の性質はしばしば疑問視される。
現代の深層モデルの次元は、識別可能性の欠如と相まって、マルコフ連鎖モンテカルロ(MCMC)は後部を完全に探索することができない。
変分推論は計算複雑性の改善による恩恵を受けるが、サンプリングベース推論のマルチモーダル保証は欠如している。
変分近似の積み重ねとアンサンブルにより、MCMCに匹敵する精度が大幅に低減された。
論文 参考訳（メタデータ） (2025-03-14T18:55:48Z) - Contextual Similarity Distillation: Ensemble Uncertainties with a Single Model [5.624791703748109]
不確かさの定量化は強化学習と深層学習の重要な側面である。
本研究では,1つのモデルによる深層ニューラルネットワークのアンサンブルの分散を明示的に推定する新しい手法である文脈類似蒸留を提案する。
提案手法は,様々なアウト・オブ・ディストリビューション検出ベンチマークとスパース・リワード強化学習環境にまたがって実証的に検証する。
論文 参考訳（メタデータ） (2025-03-14T12:09:58Z) - Reconciling Predictive Multiplicity in Practice [43.74883617124773]
Reconcileは、モデル乗法(MM)現象に対処するための和解手続きである。
本稿では,5つの広く利用されているフェアネスデータセットを用いて,Reconcileアルゴリズムを実証的に解析する。
我々はReconcileアルゴリズムを因果推論の設定にまで拡張し、異なる競合推定器が特定の因果平均処理効果(CATE)値に再び異同できることを考慮した。
論文 参考訳（メタデータ） (2025-01-27T22:48:20Z) - Finite-Time Convergence and Sample Complexity of Actor-Critic Multi-Objective Reinforcement Learning [20.491176017183044]
本稿では多目的強化学習(MORL)問題に取り組む。
MOACと呼ばれる革新的なアクター批判アルゴリズムを導入し、競合する報酬信号間のトレードオフを反復的に行うことでポリシーを見出す。
論文 参考訳（メタデータ） (2024-05-05T23:52:57Z) - Prototype-based Aleatoric Uncertainty Quantification for Cross-modal
Retrieval [139.21955930418815]
クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。
しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。
本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-29T09:41:19Z) - Ensemble Modeling for Multimodal Visual Action Recognition [50.38638300332429]
マルチモーダル動作認識のためのアンサンブルモデリング手法を提案する。
我々は,MECCANO[21]データセットの長期分布を処理するために,焦点損失の変種を用いて,個別のモダリティモデルを個別に訓練する。
論文 参考訳（メタデータ） (2023-08-10T08:43:20Z) - Monotone deep Boltzmann machines [86.50247625239406]
ディープボルツマンマシン(Deep Boltzmann Machine、DBM)は、双対エネルギー関数によって制御される多層確率モデルである。
我々は,各層で任意の自己接続が可能な新しい制限モデルであるモノトンDBMを開発した。
アクティベーションの特定の選択が、変動平均場解を与える固定点反復をもたらすことを示す。
論文 参考訳（メタデータ） (2023-07-11T03:02:44Z) - FiLM-Ensemble: Probabilistic Deep Learning via Feature-wise Linear
Modulation [69.34011200590817]
本稿では,特徴量線形変調の概念に基づく暗黙のアンサンブル手法であるFiLM-Ensembleを紹介する。
単一ディープネットワークのネットワークアクティベーションをFiLMで変調することにより、高多様性のモデルアンサンブルを得る。
我々は、FiLM-Ensembleが他の暗黙のアンサンブル法よりも優れており、ネットワークの明示的なアンサンブルの上限に非常に近いことを示す。
論文 参考訳（メタデータ） (2022-05-31T18:33:15Z) - Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。
本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。
自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
論文 参考訳（メタデータ） (2021-06-07T17:47:16Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳（メタデータ） (2020-03-04T12:27:36Z)
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。