[논문 리뷰] Another Approximation of the First-Passage Time Densities for the Ratcliff Diffusion Decision Model

Kendal B. Foster, Henrik Singmann|arXiv (Cornell University)|2021. 04. 05.

Transportation Planning and Optimization참고 문헌 5인용 수 4

한 줄 요약

이 논문은 유한한 합의 항 수를 사전에 계산할 필요가 없도록 하여, Ratcliff의 확산 결정 모델(Diffusion Decision Model, DDM)의 제1통과 시간 밀도에 대한 새로운 빠른 근사 방법을 제안한다. R 패키지 fddm을 통해 C++로 구현된 이 새로운 방법은 대용량 시간 근사와 조합되어, 벤치마크 테스트와 실제 데이터 피팅 시나리오에서 기존 방법들을 능가하는 빠르기와 안정성을 확보한다.

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.

연구 동기 및 목표

• Ratcliff의 확산 결정 모델(DDM)에서 제1통과 시간의 밀도함수(PDF)에 대한 더 빠르고 안정적인 근사 방법을 개발하는 것.
• 특히 작은 시간과 큰 시간의 반응 시간에서 무한합의 항 수를 사전에 계산하는 데 드는 높은 비용으로 인해 발생하는 기존 방법의 계산 비효율성을 해결하는 것.
• 최적화 설정(예: 경험적 데이터에 DDM을 피팅하는 경우)에서 수치 안정성과 성능을 향상시키는 것.
• 고정 및 가변 드리프트 속도를 포함한 모든 알려진 DDM 밀도 근사 방법을 통합된 최적화된 C++ 기반 R 패키지로 구현하고 벤치마크하는 것.
• 인지 모델링 및 반응 시간 분석에 DDM을 사용하는 연구자들에게 강력하고 고성능의 소프트웨어 솔루션을 제공하는 것.

제안 방법

• 무한합의 항 수를 사전에 계산하지 않는 새로운 'SWSE'(소규모 시간) 근사 방법을 제안하여 계산 오버헤드를 감소시킨다.
• 기존의 [11]에서 제안한 대용량 시간 근사와 새로운 SWSE 소규모 시간 방법을 조합하여 반응 시간 범위에 맞게 적응 가능한 하이브리드 '통합 시간' 접근법을 구축한다.
• 이전에 사용되지 않았던 조합까지 포함한 모든 근사 방법을 Rcpp를 활용하여 C++로 구현하여 C++의 빠른 성능을 활용하면서도 R 인터페이스를 유지한다.
• 모든 구현을 성능 최적화하여 효율적인 합계 스타일(S14 및 S17)을 사용하며, S17이 속도와 항 수의 균형을 고려해 우선 선택된다.
• 효율적 반응 시간에 기반하여 소규모 시간 및 대용량 시간 근사 간에 동적으로 선택하는 히우리스틱을 사용하여 빠르기와 정확도를 모두 향상시킨다.
• 모든 방법을 동일한 조건에서 벤치마크하여, 고정된 반응 시간과 완전한 최적화 루틴을 포함한 실제 성능을 평가한다.

실험 결과

연구 질문

• RQ1 무한합의 항 수를 사전에 계산할 필요가 없는 DDM 밀도 함수에 대한 새로운 근사 방법을 개발할 수 있는가?
• RQ2 새로운 SWSE 소규모 시간 근사 방법은 기존 방법과 비교해 속도와 수치 정확도 측면에서 어떻게 성능을 발휘하는가?
• RQ3 SWSE 소규모 시간 방법과 [11]에서 제안한 대용량 시간 근사 방법을 조합하면 다양한 매개변수 공간에서 더 견고하고 빠른 전체 알고리즘을 얻을 수 있는가?
• RQ4 R 함수 호출의 오버헤드가 최적화 설정에서 다양한 DDM 근사 방법 간의 상대적 성능에 어느 정도 영향을 미치는가?
• RQ5 새로운 통합 근사 방법은 실제 경험적 데이터에 대한 DDM 피팅에 있어 신뢰성 있고 효율적인가?

주요 결과

• 새로운 SWSE 소규모 시간 근사 방법은 무한합의 항 수를 사전에 계산하지 않기 때문에 기존 방법보다 크게 빠르다.
• SWSE + 대용량 시간 근사의 통합 방법은 모든 테스트된 매개변수 범위와 반응 시간 값에서 가장 빠르고 일관된 성능을 보인다.
• 번역 및 최적화를 거친 후에도, 이 새로운 방법은 이전에 이용 가능했던 모든 근사 기법보다 빠르고 안정성이 뛰어나다.
• 최적화 루틴에서 수렴 문제를 줄이기 위해 순수한 소규모 시간 방법이 큰 반응 시간에서 수치 불안정성을 보일 수 있는 점을 피함으로써 성능이 향상된다.
• 벤치마크 결과에 따르면, R의 함수 호출 오버헤드로 인해 최적화 설정에서는 성능 격차가 줄어들지만, 여전히 이 새로운 방법이 가장 빠르고 신뢰할 수 있는 선택이다.
• 새로운 방법을 포함한 fddm R 패키지는 그 뛰어난 빠르기, 정확도, 견고성으로 인해 DDM 피팅의 기본 도구로 추천된다.