論文の概要: Neural Simulation-Based Inference for Computational Cognitive Models: A Tutorial
- arxiv url: http://arxiv.org/abs/2611.17608v1
- Date: Fri, 13 Nov 2026 00:09:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.279564
- Title: Neural Simulation-Based Inference for Computational Cognitive Models: A Tutorial
- Title(参考訳): 計算認知モデルのためのニューラルネットワークによる推論:チュートリアル
- Abstract要約: ニューラルネットワーク(ニューラルSBI)によるシミュレーションベースの推論は、このハードルを克服するための強力なツールキットとして現れている。
このチュートリアルは、認知モデルにニューラルSBIを適用するための明確なワークフローを提供することで、このギャップに対処する。
- 参考スコア(独自算出の注目度): 12.05474037989846
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Computational cognitive modeling is an increasingly essential methodology to elucidate the mechanisms underlying human and animal cognition. By fitting models to empirical data, researchers can perform parameter estimation, model comparison, and model-based neural analyses to assess competing theories, quantify individual differences, and investigate neural representations. Typically, fitting these models relies on likelihood-dependent methods (e.g., Maximum likelihood estimation or hierarchical Bayesian methods). However, for many reasonable cognitive models, computing the likelihood is computationally intractable, in which case these methods become inadequate. This substantially limits the range of theories that researchers can investigate. Simulation-based inference with neural networks (neural SBI) has emerged as a powerful toolkit to overcome this hurdle. By training deep neural networks on datasets generated through model simulations, neural SBI learns the relation between observable data and cognitive models. This approach enables all the applications of standard modeling while bypassing the likelihood computation, without constraints on empirical data size. Despite its successful adoption across diverse scientific fields, neural SBI remains underutilized in cognitive modeling, partly due to a lack of accessible, domain-tailored guidance. This tutorial addresses this gap by providing a clear workflow for applying neural SBI to cognitive models. We also provide practical use cases and recommendations for reducing the computational and simulation burden, facilitating efficient implementation in real-world research settings. By lowering the technical barriers to neural SBI, this tutorial aims to empower cognitive scientists to investigate richer theory spaces and ultimately propel scientific discovery.
- Abstract(参考訳): コンピュータ認知モデリングは、人間と動物の認知の基礎となるメカニズムを解明するための、ますます不可欠な方法論である。
モデルと経験的データを組み合わせることで、研究者はパラメータ推定、モデル比較、モデルに基づくニューラル分析を行い、競合する理論を評価し、個人差を定量化し、ニューラル表現を調べることができる。
典型的には、これらのモデルを適合させるには、確率に依存した方法(例えば、最大確率推定や階層ベイズ法)に依存する。
しかし、多くの合理的認知モデルにおいて、確率の計算は計算的に難解であり、その場合、これらの手法は不十分となる。
これは研究者が調査できる理論の範囲を大幅に制限する。
ニューラルネットワーク(ニューラルSBI)によるシミュレーションベースの推論は、このハードルを克服するための強力なツールキットとして現れている。
モデルシミュレーションを通じて生成されたデータセットにディープニューラルネットワークをトレーニングすることにより、ニューラルSBIは観測可能なデータと認知モデルとの関係を学ぶ。
このアプローチは、経験的データサイズに制約を加えることなく、確率計算をバイパスしながら標準モデリングのすべての応用を可能にする。
様々な科学分野にまたがって採用が成功したにもかかわらず、ニューラルSBIは認知モデルでは使われていない。
このチュートリアルは、認知モデルにニューラルSBIを適用するための明確なワークフローを提供することで、このギャップに対処する。
また、実世界の研究環境における効率的な実装を容易にし、計算とシミュレーションの負担を軽減するための実用的なユースケースと勧告を提供する。
このチュートリアルは、神経SBIの技術的な障壁を下げることによって、認知科学者によりリッチな理論空間を調査させ、究極的には科学的発見を促進することを目的としている。
関連論文リスト
- Simulation-Based Inference: A Practical Guide [14.664936126064399]
シミュレーションに基づく推論は、粒子物理学、天体物理学、神経科学などの分野における科学的発見を可能にした。
構造化されたSBIワークフローを概説し、プロセスの各段階で実践的なガイドラインと診断ツールを提供する。
このチュートリアルは、研究者に最先端のSBI手法を適用し、科学的発見のための効率的なパラメータ推論を容易にする。
論文 参考訳(メタデータ) (2025-08-18T14:09:33Z) - A Comprehensive Guide to Simulation-based Inference in Computational Biology [5.333122501732079]
本稿では,複雑な生物モデルに対するSBIアプローチを決定するための包括的ガイドラインを提供する。
本ガイドラインは,実世界のデータを用いた細胞動態を記述する2つのエージェントベースモデルに適用する。
ニューラルSBI法は推論結果のシミュレーションを著しく少なく要求するが、偏りのある推定を行う傾向にある。
論文 参考訳(メタデータ) (2024-09-29T12:04:03Z) - Latent Variable Sequence Identification for Cognitive Models with Neural Network Estimators [7.7227297059345466]
本稿では,ニューラルベイズ推定を拡張して,実験データと対象変数空間との直接マッピングを学習する手法を提案する。
我々の研究は、リカレントニューラルネットワークとシミュレーションベースの推論を組み合わせることで、潜在変数配列を特定することで、研究者がより広範な認知モデルにアクセスできるようになることを強調している。
論文 参考訳(メタデータ) (2024-06-20T21:13:39Z) - Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
レイヤワイドフィードバックフィードバック(LFP)は、ニューラルネットワークのような予測器のための新しいトレーニング原則である。
LFPはそれぞれの貢献に基づいて個々のニューロンに報酬を分解する。
提案手法は,ネットワークの有用な部分と有害な部分の弱体化を両立させる手法である。
論文 参考訳(メタデータ) (2023-08-23T10:48:28Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳(メタデータ) (2022-02-21T18:59:03Z) - Mapping and Validating a Point Neuron Model on Intel's Neuromorphic
Hardware Loihi [77.34726150561087]
インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。
Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。
Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
論文 参考訳(メタデータ) (2021-09-22T16:52:51Z) - The Causal Neural Connection: Expressiveness, Learnability, and
Inference [125.57815987218756]
構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。
本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。
我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
論文 参考訳(メタデータ) (2021-07-02T01:55:18Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳(メタデータ) (2021-06-17T17:26:31Z) - Information theoretic analysis of computational models as a tool to
understand the neural basis of behaviors [0.0]
今世紀最大の研究課題の1つは、脳の身体環境システムにおける行動の神経基盤を理解することである。
計算モデルは、モデルシステムを研究することができる別のフレームワークを提供する。
本稿では,計算モデルの情報理論解析が強力な研究手法であることを示すための紹介,レビュー,議論を行う。
論文 参考訳(メタデータ) (2021-06-02T02:08:18Z) - The Neural Coding Framework for Learning Generative Models [91.0357317238509]
本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。
同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
論文 参考訳(メタデータ) (2020-12-07T01:20:38Z)
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。