时变决策边界的神经模糊模型

在最近的一项研究中，我们报告了一种新的决策范式的结果，其中参与者被要求在速度与准确性之间取得平衡，以最大化实验期间获得的总奖励。计算建模的结果提供了强有力的证据，表明参与者使用了时变决策边界。此前关于最优速度-准确性权衡的理论研究表明，参与者可能学会使用这些时变边界来最大化其平均奖励率。然而，我们实验的结果表明，参与者甚至在实验开始时且在没有任何先验经验的情况下就使用了此类边界。在本文中，我们假设这些边界是使用某些启发式规则进行任务决策的结果。为了将这些启发式规则所实现的决策制定表述为计算框架，我们使用了模糊逻辑理论。基于该理论，我们提出了一种用于证据累积任务中决策制定的新计算框架。在该框架中，不存在显式的决策边界。相反，受试者在每次试验中的每个时刻以及对于给定的累积证据值，是否希望停止累积证据并做出反应，由一组模糊"IF-THEN规则"决定。然后我们使用反向传播方法推导出一个算法，用于将模糊模型拟合到每个参与者的数据。然后我们研究了参与者在实验中的表现差异如何反映在拟合模型参数的差异中。