分割と征服: ドリフト拡散モデルの一般化可能な摂動ベイズ推論へのアプローチ
arXiv stat.ML ・ 2026-08-04
原題: Divide-and-Conquer: Towards Generalizable Amortized Bayesian Inference for the Drift Diffusion Model
AI による要約
ドリフト拡散モデル（DDM）は、認知的意思決定研究の基盤である。推定方法は数多く存在するが、研究者は、さまざまな研究設計に対して迅速で柔軟な推論アプローチを求め続けている。摂動ベイズ推論（ABI）は、DDMのような複雑な確率モデルに対してほぼ瞬時の推論を提供できる。ただし、1つの研究設計でトレーニングされたニューラルネットワークは、他の設計に一般化できない。DDMの独立性仮定により、完全なデータセットを共通の構造を持つペアワイズシャードに分割できることを示す。1つのニューラルネットワークがこれらのシャードすべてを学習でき、推論はシャードごとに個別に行われ、結果の事後分布はコンセンサスMCMCを介して結合される。
この要約は当サイトの AI が生成したものです。正確な内容は 元記事（arXiv stat.ML）をご確認ください。