Analyzing dynamic decision-making models using Chapman-Kolmogorov equations
Analyzing dynamic decision-making models using Chapman-Kolmogorov equations
复制标题
使用 Chapman-Kolmogorov 方程分析动态决策模型
DOI：
10.1007/s10827-019-00733-5
复制
发表时间：
2019
影响因子：
1.2
通讯作者：
Kilpatrick, Zachary P.
中科院分区：
文献类型：
--
作者：
Barendregt, Nicholas W.;Josić, Krešimir;Kilpatrick, Zachary P.
动态环境中的决策通常需要自适应的证据积累，新证据的权重比旧的观察更重。最近的动态决策任务的实验研究要求受试者作出决定，正确的选择开关随机在整个一个单一的审判。在这种情况下，一个理想的观察者的信念是由一个双重随机的演化方程描述的，反映了观测和环境变化的随机性。在这些情况下，我们表明，概率密度的信念可以表示使用差分查普曼-柯尔莫哥洛夫方程，允许有效的计算合奏统计。这使我们能够可靠地比较规范模型，近规范近似使用，作为模型性能指标，决策响应的准确性和Kullback-Leibler分歧的信念分布。这样的信念分布可以从实验对象中获得，要求他们报告他们的决策信心。我们还研究了响应精度如何受到额外的内部噪声的影响，显示最优性需要更长的集成时间尺度，因为更多的噪声被添加。最后，我们证明了我们的方法可以应用于任务中的证据到达一个离散的，脉动的方式，而不是连续的。
Decision-making in dynamic environments typically requires adaptive evidence accumulation that weights new evidence more heavily than old observations. Recent experimental studies of dynamic decision tasks require subjects to make decisions for which the correct choice switches stochastically throughout a single trial. In such cases, an ideal observer’s belief is described by an evolution equation that is doubly stochastic, reflecting stochasticity in the both observations and environmental changes. In these contexts, we show that the probability density of the belief can be represented using differential Chapman-Kolmogorov equations, allowing efficient computation of ensemble statistics. This allows us to reliably compare normative models to near-normative approximations using, as model performance metrics, decision response accuracy and Kullback-Leibler divergence of the belief distributions. Such belief distributions could be obtained empirically from subjects by asking them to report their decision confidence. We also study how response accuracy is affected by additional internal noise, showing optimality requires longer integration timescales as more noise is added. Lastly, we demonstrate that our method can be applied to tasks in which evidence arrives in a discrete, pulsatile fashion, rather than continuously.
登录
查看更多内容
影响因子：
3.8
作者：
Zhang S;Lee MD;Vandekerckhove J;Maris G;Wagenmakers EJ
通讯作者：
Wagenmakers EJ
影响因子：
4.3
作者：
Brea J;Urbanczik R;Senn W
通讯作者：
Senn W
影响因子：
7.7
作者：
van den Berg R;Anandalingam K;Zylberberg A;Kiani R;Shadlen MN;Wolpert DM
通讯作者：
Wolpert DM
DOI：
--
发表时间：
2008-12
期刊：
Advances in neural information processing systems
影响因子：
--
作者：
Angela J. Yu;J. Cohen
通讯作者：
Angela J. Yu;J. Cohen
影响因子：
2.4
作者：
Droste, Felix;Lindner, Benjamin
通讯作者：
Lindner, Benjamin