- 3 次围观
计算模型是认知神经科学的核心，但其在实验数据集中的严格应用往往局限于一组狭窄的经典模型，因为这些模型能够提供可处理的解析计算。我们引入 HSSM（分层序列采样模型，Hierarchical Sequential Sampling Model）生态系统，这是一个 Python 工具箱，通过分层贝叶斯推断，使研究者能够便捷地使用一系列广泛且可扩展的神经认知过程模型。HSSM 自然地利用通过似然代理实现的基于模拟的推断，从而能够对缺乏闭式似然的模型进行快速参数估计。HSSM 构建于 PyMC 和 Bambi 之上，提供用户友好的公式语法，用于在模型参数上指定分层混合效应回归，并纳入逐试次的神经或生理协变量。该生态系统支持快速模型模拟和训练数据生成，并提供神经网络训练工具，以通过 HuggingFace 部署似然代理网络。其设计初衷不仅是使致力于某一问题的个体研究者受益，也能够有机地惠及整个研究共同体。总体而言，HSSM 生态系统中的这些工具连接了计算理论研究者与实验研究者的关注点，加速了从模型开发到严格实证检验的循环。
Michael J Frank 的 ORCID 记录
摘要 信息/历史 指标 预览 PDF
摘要
计算模型是认知神经科学的核心，但其在实验数据集中的严格应用往往受限于一组狭窄的经典模型，因为只有这些模型才能提供可处理的解析计算。我们引入 HSSM（分层序贯抽样模型）生态系统，这是一个 Python 工具箱，通过分层贝叶斯推断，使研究者能够广泛且可扩展地使用各类神经认知过程模型。HSSM 自然地利用基于模拟的推断和似然代理，从而能够对缺乏闭式似然的模型实现快速参数估计。HSSM 构建于 PyMC 和 Bambi 之上，提供用户友好的公式语法，用于在模型参数上指定分层混合效应回归，并纳入逐试次的神经或生理协变量。该生态系统支持快速模型模拟与训练数据生成，同时还提供神经网络训练工具，以通过 HuggingFace 部署代理似然网络。其贡献旨在不仅服务于单个研究者正在处理的具体问题，而且自然而然地惠及整个研究共同体。总体而言，HSSM 生态系统中的这些工具连接了计算理论研究者与实验研究者的共同关切，加速了从模型开发到严格实证检验的循环。
利益冲突声明
版权
持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。
本文依据 CC-BY 4.0 国际许可协议 提供。
查看讨论主题。
返回顶部 上一页 下一页
发布于 2026 年 6 月 09 日。
下载 PDF 电子邮件
感谢您有兴趣帮助传播 bioRxiv。
您的电子邮件 *
您的姓名 *
发送至 *
请输入多个地址，每行一个，或以逗号分隔。
您将通过电子邮件发送以下内容
HSSM：一种广泛适用的分层贝叶斯神经认知建模工具箱
邮件主题
（您的姓名）已从 bioRxiv 向您转发了一个页面
邮件正文
（您的姓名）认为您可能希望查看 bioRxiv 网站上的此页面。
您的个人留言
验证码
此问题用于测试您是否为人类访问者，并防止自动垃圾信息提交。
分享
HSSM：一种广泛适用的分层贝叶斯神经认知建模工具箱
Alexander Fengler ， Yang Xu ， Krishn Bera ， Carlos Paniagua ， Aisulu Omar ， Michael J Frank
bioRxiv 2026.06.05.730398； doi： https://doi.org/10.64898/2026.06.05.730398
分享本文： 复制
引文工具
HSSM：一种广泛适用的分层贝叶斯神经认知建模工具箱
Alexander Fengler ， Yang Xu ， Krishn Bera ， Carlos Paniagua ， Aisulu Omar ， Michael J Frank
bioRxiv 2026.06.05.730398； doi： https://doi.org/10.64898/2026.06.05.730398
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.05.730398v1?rss=1
🏷️ 层次贝叶斯建模 序列采样模型 认知神经科学 模拟推断 混合效应回归 Python工具箱