[论文解读] 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 4

一句话总结

本文提出了一种新颖的、更快的首次通过时间密度近似方法，用于Ratcliff扩散决策模型（DDM），通过消除预先计算无穷级数中项数的需求，显著提升了效率。该方法基于C++实现，并通过R包fddm发布，结合大时间近似方法后，在速度和稳定性方面均优于现有方法，无论是在基准测试还是真实数据拟合场景中表现更优。

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.

研究动机与目标

• 开发一种更快、更稳定的首次通过时间概率密度函数（PDF）近似方法，适用于Ratcliff扩散决策模型（DDM）。
• 解决现有方法的计算低效问题，特别是针对小时间和大时间响应时间中无穷级数项预先计算的高昂成本。
• 提升优化设置下的数值稳定性和性能，例如在将DDM拟合到实证数据时。
• 在统一的、基于C++的R包中实现并基准测试所有已知的DDM密度近似方法（固定漂移率与可变漂移率）。
• 为使用DDM进行认知建模和反应时间分析的研究人员提供一个稳健、高性能的软件解决方案。

提出的方法

• 提出一种新颖的'SWSE'（小时间）近似方法，避免预先计算无穷级数中的项数，从而降低计算开销。
• 将新提出的SWSE小时间方法与[11]中已确立的大时间近似方法结合，形成一种自适应响应时间范围的混合'联合时间'方法。
• 使用Rcpp将所有近似方法（包括此前未使用的组合）在C++中实现，以利用C++的运行速度，同时保留R接口。
• 对所有实现进行性能优化，包括高效的求和方式（S14和S17），其中S17因其在速度与项数之间的良好平衡而被优先采用。
• 采用启发式方法，根据有效响应时间动态选择小时间或大时间近似方法，从而在速度和精度之间实现更优平衡。
• 在相同条件下对所有方法进行基准测试，包括固定响应时间和完整的优化流程，以评估其在真实场景中的性能表现。

实验结果

研究问题

• RQ1 能否开发一种新的DDM密度函数近似方法，以消除对无穷级数中项数的预先计算？
• RQ2 与现有方法相比，新SWSE小时间近似方法在速度和数值精度方面的表现如何？
• RQ3 将SWSE小时间方法与[11]中的大时间近似方法结合，是否能在广泛的参数空间中实现更鲁棒、更快速的整体算法？
• RQ4 在优化设置中，R函数调用的开销在多大程度上影响了不同DDM近似方法的相对性能？
• RQ5 新联合近似方法是否适合用于对真实实证数据进行可靠且高效的DDM拟合？

主要发现

• 新颖的SWSE小时间近似方法显著快于现有方法，因其避免了计算量巨大的级数项预先计算。
• SWSE + 大时间联合近似方法在所有测试参数范围和响应时间值下，均为最快且最一致的实现。
• 即使在翻译并优化为C++后，新方法在速度和稳定性方面仍全面超越所有先前可用的近似技术。
• 通过避免纯小时间方法在大响应时间下出现的数值不稳定性，联合方法显著减少了优化流程中的收敛问题。
• 基准测试结果表明，尽管在完整优化设置中由于R的函数调用开销，性能差距有所缩小，但新方法仍是最快且最可靠的选项。
• 包含新方法的fddm R包因其卓越的速度、精度和鲁棒性，建议作为DDM拟合的默认工具。