Упрощенное когнитивное вычислительное моделирование с помощью Julia | Теструп Вааде | JuliaCon 2024 скачать в хорошем качестве

Упрощенное когнитивное вычислительное моделирование с помощью Julia | Теструп Вааде | JuliaCon 2024

Упрощенное когнитивное вычислительное моделирование с помощью Julia от Питера Теструпа Вааде PreTalx: https://pretalx.com/juliacon2024/talk... Страница GitHub для ActionModels.jl: https://github.com/ilabcode/ActionMod... Страница GitHub для HierarchicalGaussianFiltering.jl: https://github.com/ilabcode/Hierarchi... Слайды: https://pretalx.com/media/juliacon202... С развитием вычислительной психиатрии, когнитивной науки и нейронауки возрос спрос на вычислительное когнитивное моделирование; То есть, речь идет о построении вычислительных моделей когнитивных процессов, таких как обучение, восприятие, память и принятие решений. Эти модели могут использоваться для моделирования, предоставляя теоретически обоснованные эмпирические прогнозы. Часто они также подгоняются под поведение участников для оценки параметров модели для каждого участника — это используется для оценки и построения теорий на основе эмпирических данных, а также для выявления различий, например, между клиническими группами населения, что, в свою очередь, может быть использовано в диагностических целях. В настоящее время золотым стандартом в этой области является использование вероятностных языков для выборки методом Монте-Карло с цепями Маркова для байесовской оценки параметров. Из-за разреженности данных и присущей многим экспериментальным схемам иерархической структуры модели выигрывают от иерархической оценки параметров. Оцененные параметры затем часто используются в регрессионном анализе для проверки корреляций с экспериментальными реализациями и другими предикторами, но поскольку это делается на отдельном этапе, информация теряется. Поэтому оптимальной стратегией является наличие иерархической регрессии и когнитивной модели в одной и той же модели. Однако для многих исследователей это часто технически невозможно, поскольку требует знания специализированных языков моделирования, таких как STAN, и возможности вручную задавать пользовательские регрессии и иерархические структуры параметров. В то же время программирование пользовательских моделей само по себе может быть сложным, создавая технический барьер, который, пожалуй, является одним из самых больших ограничений для когнитивного вычислительного моделирования. Используя мощную библиотеку моделирования Turing в Julia и решение проблемы двух языков, присутствующее в других доступных программных решениях, ActionsModels.jl предоставляет универсальную и простую в использовании структуру для когнитивного и поведенческого моделирования. Требуя лишь простой структуры ввода-вывода, заданной пользователем, и содержа массив наиболее часто используемых когнитивных моделей из этой области, этот пакет позволяет пользователю гибко моделировать на основе одной или нескольких моделей и предоставляет простую, основанную на TuringGLM структуру для включения многоуровневых регрессий (т.е. статистических моделей) и когнитивных моделей (или, в более общем смысле, моделей действий) в одну структуру. Это должно сделать когнитивное вычислительное моделирование доступным для более широкого научного сообщества без ущерба для настраиваемости, на которую будут полагаться высококвалифицированные пользователи. В качестве примера использования пакета для сложных моделей я также представляю HierarchicalGaussianFiltering.jl, который реализует обобщенный иерархический гауссовский фильтр (HGF), общеприменимую вычислительную модель обучения и восприятия, основанную на вариационном байесовском прогнозировании. В своей новой, обобщенной форме HGF может использоваться для создания когнитивных моделей для различных задач и контекстов, а благодаря тесной связи с фильтром Калмана может также использоваться для обработки сигналов в нестабильных и зашумленных средах.