Neural Superstatistics for Bayesian Estimation of Dynamic Cognitive Models
用于动态认知模型贝叶斯估计的神经超统计方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦认知机制模型与反应时间数据，未明确涉及给定分类中的经济结构估计或宏观、金融问题。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
用于动态认知模型贝叶斯估计的神经超统计方法
- 研究问题
- 如何在机制性认知模型中允许参数随时间变化，并从长期反应时间序列中同时恢复动态参数与固定参数，避免遗漏认知变化？
- 方法与思路
- 作者构建局部观测模型与高层参数转移模型的层级结构，开发基于模拟的深度学习贝叶斯推断，并用于动态扩散决策模型。
- 材料陈述的贡献
- 摘要称该方法可恢复时变及固定参数，并通过基准比较和人类反应时间应用展示动态估计能力，指出静态假设可能掩盖时间信息。
- 阅读关注点
- 应核对参数转移模型、模拟训练分布与后验校准、两种基准方法的比较设置，以及真实数据中参数动态的可辨识程度。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未报告误差、后验覆盖或计算成本，效率结论的适用范围不明。
原文摘要
Mathematical models of cognition are often memoryless and ignore potential fluctuations of their parameters. However, human cognition is inherently dynamic. Thus, we propose to augment mechanistic cognitive models with a temporal dimension and estimate the resulting dynamics from a superstatistics perspective. Such a model entails a hierarchy between a low-level observation model and a high-level transition model. The observation model describes the local behavior of a system, and the transition model specifies how the parameters of the observation model evolve over time. To overcome the estimation challenges resulting from the complexity of superstatistical models, we develop and validate a simulation-based deep learning method for Bayesian inference, which can recover both time-varying and time-invariant parameters. We first benchmark our method against two existing frameworks capable of estimating time-varying parameters. We then apply our method to fit a dynamic version of the diffusion decision model to long time series of human response times data. Our results show that the deep learning approach is very efficient in capturing the temporal dynamics of the model. Furthermore, we show that the erroneous assumption of static or homogeneous parameters will hide important temporal information.