이상적인 관찰자 분석

Ideal observer analysis

이상적인 관찰자 분석은 지각 시스템에서 정보가 어떻게 처리되는지를 조사하는 방법이다.[1][2][3]현대적 연구를 지각에서 지도하는 기본 원칙이기도 하다.[4][5]

이상적인 관찰자는 특정 업무를 최적의 방법으로 수행하는 이론적 시스템이다.만약 직무에 불확실성이 있다면 완벽한 수행은 불가능하며 이상적인 관찰자는 오류를 범하게 될 것이다.

이상적인 수행은 이론적으로 수행의 상한이다.이론적으로 실제 시스템이 이상보다 더 나은 성능을 발휘하는 것은 불가능하다.전형적으로, 실제 시스템은 이상적인 이하의 성능만 가능하다.

이 기법은 정신물리학적 데이터를 분석하는 데 유용하다(정신물리학 참조).

정의

이 용어의 많은 정의가 제시되었다.

Geisler (2003)[6] (약간 다시 쓰여짐):이상적인 관찰자 분석에서 중심 개념은 이상적인 관찰자인데, 이용 가능한 정보와 일부 특정한 제약조건이 주어진 최적의 방식으로 주어진 업무를 수행하는 이론적 장치다.이는 이상적인 관찰자가 실수 없이 수행한다는 것이 아니라, 오히려 상황에서 가능한 것의 물리적 한계에서 수행한다는 것이다.불확실성과 소음의 근본적인 역할은 이상적인 관찰자가 확률론적(통계적) 용어로 정의되어야 함을 의미한다.이상적인 관찰자 분석은 주어진 과제에서 이상적인 관찰자의 성과를 결정한 다음 그 성과를 (응용도에 따라) 시스템 전체, 서브시스템 또는 시스템의 기본 구성요소(예: 뉴런)가 될 수 있는 실제 지각시스템과 비교하는 것을 포함한다.

순차적 이상 관찰자 분석

순차적 이상 관찰자 분석에서 목표는 다른 처리 단계에서 실제 시스템의 성능 결손(이상과 상대적)을 측정하는 것이다.[7]그러한 접근방식은 이산(또는 반분산) 단계나 모듈에서 정보를 처리하는 시스템을 연구할 때 유용하다.

자연 및 유사 자연 작업

실험실에서 실험 설계를 용이하게 하기 위해, 인공 과제를 설계하여 과제에서 시스템의 성능을 연구할 수 있다.작업이 너무 인위적인 경우 시스템이 자연 작동 모드에서 밀려날 수 있다.실험의 목표에 따라, 이것은 외부적 타당성을 감소시킬 수 있다.

이런 경우에는 사이비 자연 업무를 설계하여 시스템을 자연적으로(또는 거의 자연적으로) 운용하도록 하는 것이 중요할 수 있다.그러한 업무는 여전히 인위적이지만, 그들은 시스템에 부여된 자연적인 요구를 모방하려고 시도한다.예를 들어, 과제는 자연 장면과 유사한 자극을 사용할 수 있으며 이러한 자극에 대해 잠재적으로 유용한 판단을 내릴 수 있는 시스템의 능력을 시험할 수 있다.

자연현상 통계는 자연과 사이비 자연과제에서 이상적인 성과를 계산하는 기초가 된다.이 계산은 신호 검출 이론, 정보 이론 또는 추정 이론의 요소를 통합하는 경향이 있다.

정규 분포 자극

Das와 Geisler는 자극이 정상적으로 분산되었을 때 이상적인 관찰자의 검출과 분류 성능을 기술하고 계산했다.여기에는 자극이 2개 이상의 일변량 또는 다변량 정규 분포(예/아니오, 2개 중간, 다변량 작업 및 일반 다중 범주 분류 과제), 이상적인 관찰자의 차별성 지수(베이지스 판별성 지수) 및 상대성인 경우 이상적인 관찰자에 대한 오류율과 혼동 행렬이 포함된다.이온과 수신기 작동 특성.

메모들

  1. ^ Tanner Jr, Wilson P.; Birdsall, T. G. (1958). "Definitions of d′ and η as Psychophysical Measures". Journal of the Acoustical Society of America. 30 (10): 922–928. doi:10.1121/1.1909408. Archived from the original on February 26, 2013. Retrieved August 19, 2012.
  2. ^ Tanner Jr, W. P.; Jones, R. Clark (1960). "The ideal sensor system as approached through statistical decision theory and the theory of signal detectability". Visual search techniques: proceedings of a symposium, held in the Smithsonian Auditorium, Washington, D. C., April 7 and 8, 1959. United States National Academies. pp. 59–68. Retrieved August 19, 2012.
  3. ^ W. P. Tanner Jr. (1961). "Physiological implications of psychophysical data" (PDF). Annals of the New York Academy of Sciences. 89 (5): 752–65. doi:10.1111/j.1749-6632.1961.tb20176.x. hdl:2027.42/73966. PMID 13775211. S2CID 7135400.
  4. ^ Knill, David C.; Whitman, Richards (1996). Perception as Bayesian Inference. Cambridge University Press. ISBN 9780521461092. Retrieved August 19, 2012.
  5. ^ Pelli, D. G. (1993). "The quantum efficiency of vision". In Blakemore, Colin (ed.). Vision: Coding and Efficiency. Cambridge University Press. pp. 3–24. ISBN 9780521447690. Retrieved August 19, 2012.
  6. ^ Geisler, Wilson S. (2003). "Ideal Observer Analysis". In Chalupa, Leo M.; Werner, John S. (eds.). The Visual Neurosciences. MIT Press. pp. 825–837. ISBN 9780262033084. Retrieved August 19, 2012.
  7. ^ W. S. Geisler (1989). "Sequential ideal-observer analysis of visual discriminations". Psychological Review. 96 (2): 267–314. doi:10.1037/0033-295x.96.2.267. PMID 2652171.
  8. ^ Das, Abhranil; Geisler, Wilson (2020). "A method to integrate and classify normal distributions". arXiv:2012.14331 [stat.ML].