短期注视预测：个体差异、典型与极端情况误差分析

注视预测是一个多元化的研究领域，具有多个研究焦点和实际应用。本文探究了循环神经网络与Transformer如何执行短期注视预测。我们使用了三种模型：一个三层长短期记忆（LSTM）网络、一个简单的Transformer编码器模型（TF）以及一个分类-预测网络（ClPr），该网络同时将信号分类为眼动事件并预测注视位置。我们评估了这些模型在不同幅度注视与眼跳下的性能，并将其作为个体差异的函数，在典型和极端情况下进行了分析。平均而言，LSTM在注视和眼跳上表现更好，而TF和ClPr在眼跳后期表现出更精确的结果。在极端情况下，表现最佳的模型因眼动类型而异。我们回顾了受试者中位数$P_{50}$与高百分位数$P_{95}$误差曲线之间的差异。模型整体表现最佳的受试者并不一定展现出最低的$P_{95}$值，这支持了在未来工作中单独分析极端情况的思路。我们探讨了所提方案之间的权衡，并为注视预测的模型选择提供了实用见解。