LAN : 인지 신경 과학에서 빠르고 유연한 추론을 위한 가능성 근사 네트워크
인지 신경 과학에서 계산 모델링은 공식적으로 이론 사이를 판정할 수 있으며 행동 / 뇌 데이터에 대한 양적 적합성을 제공한다. 후보 모델은 종종 데이터를 시뮬레이션할 수 있는 생성 모델로 정의된다. 그러나 일반적으로 인지 신경과학 연구는 데이터에서 모델 및 해당 매개변수를 추론하는 것과는 반대로 진행해야 한다. 이 추론을 수행하기 위한 일반적인 소프트웨어 도구는 일반적으로 가능성 함수 에 대한 액세스 권한에 따라 다르다. 모델 매개변수화에 대한 데이터 관찰 가능성을 반환한다. 실제로, 고려되는 그럴듯한 생성 모델의 공간은 알려진 가능성 함수가 있는 모델 세트로 극적으로 제한된다. 그렇지 않으면 추론을 수행하는 데 비용이 너무 많이 드는 경우가 많다. 결과적으로, 다른 모델이 뇌가 인지 및 행동을 생성하는 방식을 설명하는 데 더 적합할 수 있는 경우에도 표준 모델은 편의상 평가된다. 신경망을 사용하여 임의 생성 모델에 대한 대략적인 가능성을 학습하는 새로운 방법을 개발하여 미래 추론을 위해 상각되는 모델 시뮬레이션에 대한 일회성 비용으로 빠른 베이지안 추론을 허용한다. 그들은 가능성 근사 네트워크에 의존함으로써 베이지안 추론이 다양한 신경인지 과정 모델에 대해 정확하게 수행될 수 있음을 보여준다.
Potential Impact
건강과 질병의 뇌 / 행동 데이터를 연결하기 위해 Drift Diffusion Model의 계층적 베이지안 매개변수 추정을 위한 Python이 사용된다 (400개 이상의 출판물에서 이를 사용했으며 userbase는 매우 활동적인 listserv에 기여). 단일 모델, 즉 의사 결정의 드리프트 확산 모델에 초점을 맞췄다. 다양한 인지 및 행동 현상의 기초가 되는 보다 현실적인 뇌 역학의 발견과 뇌 기능 장애에서 이러한 현상이 어떻게 변경되는지에 대한 발견을 크게 향상시킬 것이다.
LANs: Likelihood approximation networks for fast and flexible inference in cognitive neuroscience | Carney Institute for Brain S
In cognitive neuroscience, computational modeling can formally adjudicate between theories and affords quantitative fits to behavioral/brain data. Candidate models are often defined as generative: models from which we can simulate data. However, typically
www.brown.edu
