PulseAugur
实时 14:58:07
English(EN) Multidimensional Bayesian Active Machine Learning of Working Memory Task Performance

贝叶斯主动学习提升认知实验设计

研究人员开发了一种新的贝叶斯主动学习方法用于认知实验,超越了一维适应。该方法在虚拟现实工作记忆任务中得到验证,控制两个变量:空间负荷(L)和特征绑定负荷(K)。系统使用高斯过程分类器,根据后验不确定性指导刺激采集,估计(L, K)上的表现曲面,而非单一阈值。该方法需要大约30个样本即可准确拟合模型,并揭示了空间负荷与特征绑定负荷之间相互作用的个体差异。 AI

排序理由 该集群包含一篇详细介绍新研究方法的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Dom CP Marticorena, Chris Wissmann, Zeyu Lu, Dennis L Barbour ·

    Multidimensional Bayesian Active Machine Learning of Working Memory Task Performance

    arXiv:2510.00375v2 Announce Type: replace Abstract: While adaptive experimental design has outgrown one-dimensional, staircase-based adaptations, most cognitive experiments still control a single factor and summarize performance with a scalar. We show a validation of a Bayesian, …