Identificación de secuencias de variables latentes para modelos cognitivos con estimadores de redes neuronales

Área de la Ciencia:

• Ciencias cognitivas
• Neurociencia computacional
• Aprendizaje automático

Sus antecedentes:

• La extracción de variables latentes que varían en el tiempo es crucial para comprender los procesos cognitivos dinámicos.
• Los métodos actuales se limitan a modelos cognitivos específicos, excluyendo aquellos con probabilidades intratables.

Objetivo del estudio:

• Desarrollar un enfoque basado en la simulación utilizando redes neuronales recurrentes (RNN) para inferir secuencias variables latentes.
• Superar las limitaciones de los métodos existentes para modelos cognitivos con probabilidades intratables.
• Para permitir una exploración más amplia de los modelos cognitivos computacionales.

Principales métodos:

• Un enfoque basado en la simulación que aprovecha las redes neuronales recurrentes (RNNs).
• Mapeo de los datos experimentales directamente al espacio de las variables latentes.
• Utilización de datos simulados para la formación y la validación.

Principales resultados:

• Lograr un rendimiento competitivo en la inferencia de secuencias de variables latentes tanto para modelos de probabilidad como para modelos intratables en simulaciones.
• Aplicabilidad demostrada en conjuntos de datos del mundo real.
• El enfoque es práctico para datos individuales, generalizable y adaptable a espacios latentes continuos / discretos.

Conclusiones:

• El método propuesto amplía la gama de modelos cognitivos que los investigadores pueden analizar.
• Facilita la prueba de una gama más amplia de teorías cognitivas al permitir la inferencia en modelos complejos.
• Combina RNN y datos simulados para una extracción robusta de variables latentes.