[논문 리뷰] A note on choice and detect probabilities in the presence of choice bias

Ralf M. Haefner|arXiv (Cornell University)|2015. 01. 13.

Advanced Statistical Process Monitoring참고 문헌 5인용 수 5

한 줄 요약

이 논문은 선택 편향이 존재하는 경우에도 결정 모델에서 선택 확률(CP)과 탐지 확률(DP), 신경성 소음 상관관계, 독취 가중치 간의 분석적 프레임워크를 확장한다. CP와 DP는 편향이 증가함에 따라 단조적으로 증가함을 보이며, 이는 편향된 조건 간 데이터를 통합할 때 신호 대 잡음 비율을 향상시키기 위한 보정 인자가 된다.

ABSTRACT

Recently we have presented the analytical relationship between choice probabilities, noise correlations and read-out weights in the classical feedforward decision-making framework (Haefner et al. 2013). The derivation assumed that behavioral reports are distributed evenly between the two possible choices. This assumption is often violated in empirical data - especially when computing so-called grand CPs combining data across stimulus conditions. Here, we extend our analytical results to situations when subjects show clear biases towards one choice over the other, e.g. in non-zero signal conditions. Importantly, this also extends our results from discrimination tasks to detection tasks and detect probabilities for which much empirical data is available. We find that CPs and DPs depend monotonously on the fraction, p, of choices assigned to the more likely option: CPs and DPs are smallest for p equal to 0.5 and increase as p increases, i.e. as the data deviates from the ideal, zero-signal, unbiased scenario. While this deviation is small, our results suggest a) an empirical test for the feedforward framework and b) a way in which to correct choice probability and detect probability measurements before combining different stimulus conditions to increase signal/noise.

연구 동기 및 목표

• 선택 편향을 보이는 경우, 즉 선택 확률이 0.5에서 벗어날 때, 선택 확률, 소음 상관관계, 독취 가중치 간의 분석적 관계를 일반화하는 것.
• 차별 과제에서 탐지 과제로의 프레임워크 확장을 통해 실제 데이터에서 탐지 확률을 분석할 수 있도록 하는 것.
• 자극 조건 간 선택 빈도가 다를 경우, 선택 확률 측정치를 통합할 때 사용할 수 있는 보정 방법을 제공하는 것.
• 선형 피드포워드 결정 모델에 대한 실증적 검증을 위해, CP가 선택 편향에 따라 어떻게 달라지는지를 예측하는 것.

제안 방법

• 결정 뉴런이 n개의 감각 뉴런으로부터 가중치 w를 통해 입력을 통합하고, 임계값 θ를 사용하여 선택을 결정하는 선형 피드포워드 결정 모델을 사용한다.
• 뉴런 반응을 조정 곡선을 중심으로 정규분포로 모델링하고, 소음 공분산 행렬 C를 고려하여 선택 유도 반응 분포를 유도한다.
• 선택 확률 CPi에 대한 근사 분석 공식을 유도하며, 이는 선택 확률 p̂에 따라 변하는 보정 항을 포함한다.
• 보정 인자는 Φ⁻¹(p̂)인 역누적정규분포 함수의 값에 의존하며, 이는 p̂ = 0.5인 비편향 경우에 비해 CP를 상대적으로 조정한다.
• 시뮬레이션을 통해 근사치의 정확도를 검증하였으며, p̂ ≤ 0.9 범위에서 오차가 0.5% 미만임을 확인하였고, 이는 일반적인 실증적 오차 막대보다 작다.
• 2풀 모델과 1풀 모델에 프레임워크를 적용하여 탐지 과제에서 내부 풀 및 풀 간 소음 상관관계가 DP에 어떻게 영향을 주는지 분석한다.

실험 결과

연구 질문

• RQ1 선택 편향이 존재하여 p̂가 0.5에서 벗어날 경우, 선택 확률은 어떻게 변화하는가?
• RQ2 CP, 소음 상관관계, 독취 가중치 간의 분석적 관계를 탐지 과제와 탐지 확률에 일반화할 수 있는가?
• RQ3 다양한 자극 조건 간에 계산된 종합적 선택 확률의 신뢰성에 선택 편향이 미치는 영향은 무엇인가?
• RQ4 확장된 CP 공식의 근사 오차는 일반적인 신경생리학적 데이터에서의 실측 오차보다 어떻게 비교되는가?

주요 결과

• 선택 확률과 탐지 확률은 선호 옵션 선택 비율 p̂가 0.5를 초과할수록 단조적으로 증가한다.
• CP 보정 인자는 p̂에만 의존하며, p̂가 0 또는 1에 가까워질수록 가장 크게 작용하며, p̂ = 0.5일 때 CP가 가장 작아진다.
• p̂ ≤ 0.9 범위에서 근사 오차는 0.5% 미만이며, 이는 일반적인 실증적 오차 막대보다 훨씬 작다.
• 보정 인자는 다양한 조건 간 데이터 통합 시 편향에 의해 유도되는 CP 과대평가를 보정함으로써 종합 CP 계산의 신호 대 잡음 비율을 향상시킨다.
• 2풀 모델에서는 탐지 확률이 내부 풀 상관관계와 풀 간 상관관계의 차이에 따라 달라지며, 총 상관관계 수준이 아닌 차이에 의존한다.
• 1풀 모델에서는 선호 풀 뉴런의 DP는 그 내부 풀 평균 상관관계에 따라 달라지며, 다른 뉴런의 DP는 선호 풀과의 평균 상관관계에 따라 달라진다.