Latent Variable Sequence Identification for Cognitive Models with Neural Network Estimators

要約

計算認知モデルから時間とともに変化する潜在変数を抽出することは、認知プロセスの神経相関を理解することを目的としたモデルベースの神経分析における重要なステップです。
しかし、既存の方法では、研究者が比較的小さなクラスの認知モデルにおける被験者の行動を説明する潜在変数を推測することしかできません。
たとえば、分析的に扱いにくい尤度を持つ広範なクラスの関連認知モデルは、現在、最大事後パラメータ推定に基づく標準的な手法では手の届かないところにあります。
ここでは、ニューラル ベイズ推定を拡張して、リカレント ニューラル ネットワークとシミュレートされたデータセットを使用して、実験データとターゲットの潜在変数空間の間の直接マッピングを学習するアプローチを紹介します。
我々のアプローチが、扱いやすいモデルと扱いにくいモデルの両方で潜在変数シーケンスの推論において競争力のあるパフォーマンスを達成することを示します。
さらに、このアプローチはさまざまな計算モデルにわたって一般化でき、連続潜在空間と離散潜在空間の両方に適応できます。
次に、現実世界のデータセットへの適用可能性を実証します。
私たちの研究は、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て潜在変数シーケンスを特定することにより、研究者がモデルベースのニューラル解析のためのより広範なクラスの認知モデルにアクセスできるようになり、したがってより広範な理論セットをテストできることを強調しています。

要約(オリジナル)

Extracting time-varying latent variables from computational cognitive models is a key step in model-based neural analysis, which aims to understand the neural correlates of cognitive processes. However, existing methods only allow researchers to infer latent variables that explain subjects’ behavior in a relatively small class of cognitive models. For example, a broad class of relevant cognitive models with analytically intractable likelihood is currently out of reach from standard techniques, based on Maximum a Posteriori parameter estimation. Here, we present an approach that extends neural Bayes estimation to learn a direct mapping between experimental data and the targeted latent variable space using recurrent neural networks and simulated datasets. We show that our approach achieves competitive performance in inferring latent variable sequences in both tractable and intractable models. Furthermore, the approach is generalizable across different computational models and is adaptable for both continuous and discrete latent spaces. We then demonstrate its applicability in real world datasets. Our work underscores that combining recurrent neural networks and simulation-based inference to identify latent variable sequences can enable researchers to access a wider class of cognitive models for model-based neural analyses, and thus test a broader set of theories.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google