[論文レビュー] Another Approximation of the First-Passage Time Densities for the Ratcliff Diffusion Decision Model

Kendal B. Foster, Henrik Singmann|arXiv (Cornell University)|Apr 5, 2021

Transportation Planning and Optimization参考文献 5被引用数 4

ひとこと要約

本稿では、無限級数に含まれる項の数を事前に計算する必要を排除することで、Ratcliffの拡散意思決定モデル（DDM）における第一通過時間密度関数の、より高速な近似手法を提案する。C++を用いてRパッケージfddmに実装されたこの新手法は、大時刻近似と組み合わせることで、ベンチマークテストおよび実データへの適合の両方において、既存手法を上回る速度と安定性を達成する。

ABSTRACT

We present a novel method for approximating the probability density function (PDF) of the first-passage times in the Ratcliff diffusion decision model (DDM). We implemented this approximation method in $ exttt{C++}$ using the $ exttt{R}$ package $ exttt{Rcpp}$ to utilize the faster $ exttt{C++}$ language while maintaining the $ exttt{R}$ language interface. In addition to our novel approximation method, we also compiled all known approximation methods for the DDM density function (with fixed and variable drift rate), including previously unused combinations of techniques found in the relevant literature. We ported these approximation methods to $ exttt{C++}$ and optimized them to run in this new language. Given an acceptable error tolerance in the value of the PDF approximation, we benchmarked all of these approximation methods to compare their speed against each other and also against commonly used $ exttt{R}$ functions from the literature. The results of these tests show that our novel approximation method is not only orders of magnitude faster than the current standards, but it is also faster than all of the other approximation methods available even after translation and optimization to the faster $ exttt{C++}$ language. All of these approximation methods are bundled in the $ exttt{fddm}$ package for the $ exttt{R}$ statistical computing language; this package is available via CRAN, and the source code is available on GitHub.

研究の動機と目的

• Ratcliff拡散意思決定モデル（DDM）における第一通過時間の確率密度関数（PDF）の、より高速でより安定した近似手法の開発を目的とする。
• 特に、小および大時刻の反応時間において無限級数の項を事前に計算するコストが高いため、既存手法の計算非効率性を是正することを目的とする。
• 最適化設定（例：実データへのDDMの適合）における数値的安定性と性能の向上を目的とする。
• 固定および可変ドリフトレートを含む、既知のすべてのDDM密度近似手法を統合的かつ最適化されたC++ベースのRパッケージとして実装・ベンチマークすることを目的とする。
• 認知モデリングおよび反応時間解析にDDMを用いる研究者にとって、堅牢で高性能なソフトウェアソリューションを提供することを目的とする。

提案手法

• 無限級数に含まれる項の数を事前に計算する必要がない、新規の「SWSE」（小時刻）近似手法を提案し、計算オーバーヘッドを低減する。
• [11]で提唱された既存の大時刻近似と組み合わせることで、反応時間の範囲に応じて適応可能なハイブリッド「結合時刻」アプローチを構築する。
• Rcppを用いてC++で実装し、C++の高速性を活用しながらRインタフェースを維持することで、これまで未使用の組み合わせも含めたすべての近似手法を実装する。
• 効率的な和計算方式（S14およびS17）を用いた最適化を実施し、S17をその速度と項数のバランスの良さから優先する。
• 有効な反応時間に基づいて小時刻と大時刻近似の間で動的に選択するヒューリスティックを用いることで、速度と正確性の両方を向上させる。
• 固定反応時間および完全な最適化ルーチンを含む同一条件下で全手法をベンチマーク化し、実世界の性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 無限級数に含まれる項の数を事前に計算する必要がない、DDM密度関数の新しい近似手法を開発できるか？
• RQ2 SWSE小時刻近似手法の性能は、既存手法と比較して速度および数値的正確性の面でどのように異なるか？
• RQ3 SWSE小時刻手法と[11]の提唱する大時刻近似を組み合わせることで、多様なパrameter空間においてより堅牢かつ高速な全体的なアルゴリズムが得られるか？
• RQ4 R関数呼び出しのオーバーヘッドは、最適化設定における異なるDDM近似手法の相対的性能にどの程度影響を及えるか？
• RQ5 新規の結合近似手法は、実際の実験データへのDDM適合において、信頼性と効率性を両立できるか？

主な発見

• 新規のSWSE小時刻近似手法は、無限級数の項を事前に計算する必要がないため、既存手法よりも著しく高速である。
• SWSE + 大時刻近似の結合手法は、すべてのテストされたパrameter範囲および反応時間値において、最も高速かつ一貫性のある実装である。
• C++への翻訳および最適化が施された後でも、新規手法は、速度と安定性の両面で、これまでに利用可能なあらゆる近似技術を上回る。
• 結合手法は、大時刻における純粋な小時刻手法の数値的不安定性を回避することで、最適化ルーチンにおける収束問題を低減する。
• ベンチマーク結果から、Rの関数呼び出しオーバーヘッドの影響により、完全な最適化設定では性能差が縮小するものの、新規手法は依然として最も高速かつ信頼性の高い選択肢である。
• 新規手法を含むfddm Rパッケージは、その優れた速度、正確性、堅牢性から、DDM適合のデフォルトとして推奨される。