面向计算认知模型的神经模拟推断:教程
Neural Simulation-Based Inference for Computational Cognitive Models: A Tutorial
预印本 · 尚未经过同行评审
许多认知模型无法计算似然,最大似然估计和分层贝叶斯方法因此难以适用。这篇教程给出把神经模拟推断用于认知模型的工作流程,即用模型模拟生成数据训练深度神经网络,学习可观测数据与模型之间的关系,并附实用案例和降低计算与模拟负担的建议。原文为预印本,尚未经同行评审。
面向认知计算建模的教程,讲用神经网络做模拟推断,绕开难以计算的似然,并给出降低计算与模拟负担的实用建议。
计算认知建模正日益成为一种阐明人类与动物认知背后机制的关键方法。通过将模型拟合到实证数据,研究者可以进行参数估计、模型比较以及基于模型的神经分析,以评估相互竞争的理论、量化个体差异并探究神经表征。通常,拟合这些模型依赖于依赖似然的方法(例如最大似然估计或分层贝叶斯方法)。然而,对于许多合理的认知模型而言,计算似然在计算上是不可行的,在这种情况下这些方法便不再适用。这极大地限制了研究者能够探究的理论范围。基于神经网络的模拟推断(neural SBI)已成为克服这一障碍的强大工具包。通过在由模型模拟生成的数据集上训练深度神经网络,neural SBI 学习可观测数据与认知模型之间的关系。这种方法使标准建模的所有应用成为可能,同时绕过了似然计算,且不受实证数据规模的限制。尽管 neural SBI 已在多个科学领域得到成功采用,但在认知建模中仍未得到充分利用,部分原因是缺乏易于获取、针对领域定制的指导。本教程通过提供一套清晰的工作流程来弥补这一空白,用于将 neural SBI 应用于认知模型。我们还提供了实际用例以及减轻计算与模拟负担的建议,以促进在真实研究环境中的高效实施。通过降低 neural SBI 的技术门槛,本教程旨在赋能认知科学家探究更丰富的理论空间,并最终推动科学发现。
中文由 AI 翻译,仅供参考,以原文为准。
来源:arXiv · Neurons and Cognition · arxiv.org