高维特征空间中的自适应实验：一种粒子滤波方法

当刺激空间具有许多维度或测试时间受限时，行为实验往往不可行。应对这一挑战的一种方法是自适应刺激选择，即根据参与者的反应动态地选择信息量大的刺激。然而，在高维空间中，识别此类刺激在计算上要求很高。在此，我们介绍高维在线粒子估计（High-dimensional Online Particle Estimation, HOPE），该方法可在不到一秒的时间内为高达50维的空间选择信息量大的刺激，从而能够高效估计高维心理测量函数。 我们通过模拟以及一项有人类参与者参加、在18维参数空间中进行的人脸分类实验对HOPE进行了验证。与均匀刺激呈现相比，HOPE将模型参数不确定性的降低速度提高了2至3倍，能够在一半或更少的试次数内达到相同的确定性。由于试次数需求的指数级增长，这种效率使得先前因而不切实际的心理物理学研究成为可能。

当刺激空间具有许多维度或测试时间受限时，行为实验往往难以实施。应对这一挑战的一种方法是自适应刺激选择，即根据参与者的反应动态选择信息量大的刺激。然而，在高维空间中，识别这类刺激在计算上要求很高。在此，我们介绍高维在线粒子估计（High-dimensional Online Particle Estimation, HOPE），该方法可在不到一秒的时间内为最多50个维度选择信息量大的刺激，从而实现对高维心理测量函数的高效估计。

我们通过模拟以及一项在人类参与者中开展、参数空间为18维的人脸分类实验对HOPE进行了验证。与均匀刺激呈现相比，HOPE将模型参数不确定性的降低速度提高了两到三倍，在一半或更少的试次数内即可达到相同的确定性。这种效率使得此前由于试次数需求随维度呈指数级增长而不切实际的心理物理学研究成为可能。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.03.741989v1?rss=1

🏷️ 自适应实验 粒子滤波 高维特征空间 心理物理学 刺激选择 行为实验