• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Cognitive Science >Exemplars, Prototypes, Similarities, and Rules in Category Representation: An Example of Hierarchical Bayesian Analysis
【24h】

Exemplars, Prototypes, Similarities, and Rules in Category Representation: An Example of Hierarchical Bayesian Analysis

机译：类别表示中的示例，原型，相似性和规则：分层贝叶斯分析的示例

获取原文
获取原文并翻译 | 示例
       
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This article demonstrates the potential of using hierarchical Bayesian methods to relate models and data in the cognitive sciences. This is done using a worked example that considers an existing model of category representation, the Varying Abstraction Model (VAM), which attempts to infer the representations people use from their behavior in category learning tasks. The VAM allows for a wide variety of category representations to be inferred, but this article shows how a hierarchical Bayesian analysis can provide a unifying explanation of the representational possibilities using 2 parameters. One parameter controls the emphasis on abstraction in category representations, and the other controls the emphasis on similarity. Using 30 previously published data sets, this work shows how inferences about these parameters, and about the category representations they generate, can be used to evaluate data in terms of the ongoing exemplar versus prototype and similarity versus rules debates in the literature. Using this concrete example, this article emphasizes the advantages of hierarchical Bayesian models in converting model selection problems to parameter estimation problems, and providing one way of specifying theoretically based priors for competing models.
机译：本文展示了在认知科学中使用分层贝叶斯方法关联模型和数据的潜力。这是通过一个使用示例的示例完成的，该示例考虑了类别表示的现有模型Varying抽象模型（VAM），该模型试图从人们在类别学习任务中的行为来推断人们使用的表示。 VAM允许推断各种各样的类别表示形式，但是本文显示了分层贝叶斯分析如何使用2个参数来提供表示形式可能性的统一解释。一个参数控制着类别表示中对抽象的强调，另一个控制着对相似性的强调。这项工作使用30个以前发布的数据集，展示了如何根据文献中正在进行的示例性与原型性以及相似性与规则性辩论，对这些参数及其生成的类别表示进行推断，以评估数据。使用这个具体示例，本文强调了分层贝叶斯模型在将模型选择问题转换为参数估计问题方面的优势，并提供了一种为竞争模型指定基于理论的先验的方法。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号