[論文レビュー] A note on choice and detect probabilities in the presence of choice bias

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

Advanced Statistical Process Monitoring参考文献 5被引用数 5

ひとこと要約

この論文は、意思決定モデルにおける神経的ノイズ相関とリーディング重みとの間の分析的枠組みを、選択バイアスが存在する場合にまで拡張している。選択確率（CPs）と検出確率（DPs）がバイアスに伴い単調に増加することを示しており、これは偏りのある条件下でのデータを統合する際に信号対ノイズ比を向上させるための補正要因を提供する。

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.

研究の動機と目的

• 被験者が選択バイアスを示す場合に、選択確率、ノイズ相関、リーディング重みの間の分析的関係を一般化すること。
• 識別タスクからの枠組みを検出タスクに拡張し、実験データにおける検出確率の分析を可能にすること。
• 選択頻度が不均等なスティムラス条件間でデータを統合する際の選択確率測定に対する補正法を提供すること。
• 線形フィードフォワード意思決定モデルの実証的検証を提供し、CPが選択バイアスにどのように依存するかを予測すること。

提案手法

• 意思決定ニューロンがn個の感覚ニューロンからの入力を重みwで統合し、閾値θを用いて選択を決定する線形フィードフォワード意思決定モデルを用いる。
• チューニングカーブの周囲を正規分布でモデル化し、ノイズ共分散行列Cを用いることで、選択トリガード応答分布を導出可能にする。
• CPiの近似解析的公式を導出するが、その式には選択頻度p̂に依存する補正項が含まれる。
• 補正要因はΦ⁻¹(p̂)、すなわち逆累積正規分布関数に依存し、p̂ = 0.5（非バイアス状態）におけるCP相対比にスケーリングされる。
• シミュレーションによる近似の妥当性を検証し、p̂ ≤ 0.9の範囲で誤差が0.5%未満であることを示しており、これは通常の実験的誤差範囲よりも小さい。
• 2プールおよび1プールモデルにこの枠組みを適用し、検出タスクにおけるDPがプール内およびプール間のノイズ相関にどのように依存するかを示す。

実験結果

リサーチクエスチョン

• RQ1 被験者が片方の選択にバイアスを示す場合（p̂ = 0.5から逸脱する場合）、選択確率はどのように変化するか？
• RQ2 CP、ノイズ相関、リーディング重みの間の分析的関係を検出タスクおよび検出確率に一般化できるか？
• RQ3 選択バイアスは、異なるスティムラス条件間で計算されたグランド選択確率の信頼性にどのような影響を及ぼすか？
• RQ4 拡張されたCP公式の近似誤差は、一般的な神経生理学的データにおける実験的測定誤差と比較してどの程度か？

主な発見

• 選択確率と検出確率は、好ましい選択肢に割り当てられる選択の割合p̂が0.5を超えると単調に増加する。
• CP補正要因はp̂にのみ依存し、p̂が0または1に近づくと最大値に達する。p̂ = 0.5のときCPは最小値をとる。
• p̂ ≤ 0.9の範囲で近似誤差は0.5%未満であり、これは通常の実験的誤差範囲よりも顕著に小さい。
• 補正要因により、異なる条件下でのデータ統合に伴うバイアスに起因するCPの過大評価を補正でき、グランドCPの信号対ノイズ比が向上する。
• 2プールモデルでは、検出確率はプール内とプール間のノイズ相関の差に依存するが、全体の相関レベルとは無関係である。
• 1プールモデルでは、好ましいプール内のニューロンのDPはその平均プール内相関に依存するが、他のニューロンのDPはその平均プール間相関に依存する。