.png){kind=icon}
返回
Bayesian distributional models of executive functioning
.png){kind=icon}
OA
AI
DOI：10.3758/s13428-026-03191-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究利用已知真实参数的受控模拟来评估分布型潜在变量模型（DLVM）和贝叶斯分布型主动学习（DALE）与传统的独立最大似然估计（IMLE）相比的表现。DLVM整合了多个执行功能任务和个体的观察数据，允许在数据稀疏或不完整条件下进行参数估计。为建立已知真实情况，我们从神经网络学习的潜在空间中均匀抽取个体会话，并将其映射到不同任务的分布型认知表现上。随后，我们使用DALE、随机程序或标准固定电池方法从这些分布中抽取个体测试项目。在相同观察数据下，DLVM始终优于IMLE，尤其在数据量较少时，并能更快收敛至真实分布的高精度估计。在第二组分析中，DALE通过自适应引导抽样以最大化信息增益，优于随机抽样和固定测试电池，尤其在最初80次试验内。这些发现确立了结合DLVM的跨任务推断与DALE的最优自适应抽样的优势，为更高效认知评估提供了理论依据。
Keyword:
Bayesian estimation
Active machine learning
Neural networks
Cognition
Executive function
Latent variable modeling
期刊
IF:
3.9
论文数:
740
被引数:
3.6W
机构
引用论文
.png){kind=icon}
分享收藏The unity and diversity of executive functions and their contributions to complex frontal lobe tasks: A latent variable analysis执行功能的统一性和多样性及其对复杂额叶任务的贡献: 潜在变量分析
PREAI
分享收藏
查看更多内容