DOI: https://doi.org/10.1007/s11222-026-10854-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41908951
تاريخ النشر: 2026-03-03
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: دراسات الاتصال الوظيفي في الدماغ
نظرة عامة
يوفر هذا القسم نظرة عامة على نماذج زمن المرور الأول، مع التركيز بشكل خاص على نماذج انتشار الانجراف العامة (GDDMs) المستخدمة في علوم الأعصاب الإدراكية الحاسوبية لتحليل عمليات اتخاذ القرار. تصف هذه النماذج التوزيع المشترك للاختيارات وأوقات الاستجابة كزمن الوصول الأول لمعادلة تفاضلية عشوائية أحادية البعد (SDE) مع حدود قد تتغير مع الزمن. على الرغم من فائدتها في استخراج المعلمات المتعلقة بالآليات الإدراكية والعصبية، تواجه الطرق الحالية لحساب دالة الاحتمالية في GDDMs تحديات، خاصة عندما تتقلب معدلات الانجراف ديناميكيًا بسبب المتغيرات الخارجية.
لمعالجة هذه القيود، يقترح المؤلفون خوارزمية جديدة تحسب بكفاءة دالة الاحتمالية لـ GDDMs بناءً على فئة واسعة من SDEs التي تلبي شرط تشيركاسوف. تقسم الطريقة المقترحة كل تجربة إلى مراحل منفصلة، مستفيدة من النتائج التحليلية السريعة لاشتقاق كثافات المرحلة، والتي يتم دمجها بعد ذلك للحصول على الاحتمالية العامة للتجربة. تشير الأمثلة العددية إلى أن هذه الطريقة لا تضمن فقط تقييمات دقيقة للاحتمالية لاستنتاج إحصائي فعال، ولكنها تعزز أيضًا سرعة الحساب بشكل كبير مقارنة بالطرق التقليدية.
مقدمة
تناقش مقدمة الورقة نماذج زمن المرور الأول، وهي نماذج عمليات عشوائية أساسية تقيس الوقت المطلوب لعملية عشوائية للخروج من منطقة محددة. تجد هذه النماذج تطبيقات في مجالات متعددة، بما في ذلك الفيزياء والمالية وعلم الأحياء وعلوم الإدراك، حيث تساعد في تحليل ظواهر متنوعة مثل تحركات أسعار الأسهم، وأوقات إطلاق الخلايا العصبية، وعمليات اتخاذ القرار في التجارب النفسية. يعد الحساب الدقيق لكثافات زمن المرور الأول أمرًا حاسمًا للتطبيقات العملية، ومع ذلك غالبًا ما تكون الحلول التحليلية غير متاحة للنماذج المعقدة، مما يستلزم طرق عددية فعالة.
يقترح المؤلفون طريقة جديدة وفعالة لحساب كثافات زمن المرور الأول في نماذج انتشار الانجراف العامة (GDDMs)، والتي تعتبر ذات صلة خاصة في علوم الأعصاب الإدراكية وعلم النفس الرياضي. تسلط الورقة الضوء على التحديات التي تطرحها تقلبات المعلمات عبر التجارب والمواضيع، خاصة في نماذج مثل نماذج انتشار الانجراف الانتباهية (aDDMs)، حيث يمكن أن تتغير معدل الانجراف ديناميكيًا بناءً على المتغيرات الفعلية في الوقت. تستفيد الطريقة المقترحة من طريقة شبه تحليلية عددية تعزز بشكل كبير من كفاءة الحساب، مما يسمح بتقييمات سريعة للاحتمالية الضرورية للاستنتاج الإحصائي في الإعدادات التجريبية. تحدد الأقسام التالية من الورقة الإطار الرياضي لـ GDDMs، وتراجع الجهود الحسابية ذات الصلة، وتفصل المنهجية المقترحة، موضحة قابليتها للتطبيق خارج علوم الإدراك إلى مجالات أخرى مثل المالية.
طرق
يستعرض هذا القسم منهجيتين رئيسيتين لتحليل توزيعات زمن المرور الأول (FPTDs) في نماذج الانتشار العامة (GDDMs). تتضمن الطريقة الأولى طرقًا تحليلية أو شبه تحليلية، والتي يمكن أن تنتج صيغًا دقيقة لـ FPTDs في حالات معينة، خاصة عندما تكون المعلمات مثل $\mu$، $\sigma$، $x_0$، $u$، و$\ell$ ثابتة. تشمل المساهمات البارزة عمل سريفاستافا وآخرون (2017)، الذين استخدموا نظرية المارتينغال لاشتقاق حلول مغلقة الشكل توسع من قابلية تطبيق التحليلات النظرية السابقة. ومع ذلك، تعتمد العديد من الطرق الحالية، بما في ذلك تلك التي قدمها وانغ وبوتزلبرغر (1997) وآخرون، بشكل أساسي على تكامل مونت كارلو، مما يطرح تحديات للتطبيقات واسعة النطاق.
تركز الطريقة الثانية على الحلول العددية للمعادلات الحاكمة، وبشكل خاص معادلات كولموغوروف، التي تربط عمليات الانتشار بمعادلات تفاضلية جزئية. تم استخدام كل من معادلة كولموغوروف الأمامية (KFE) والمعادلة الخلفية (KBE) لاشتقاق FPTDs، مع صياغات تمتد إلى معادلات تكامل فولتيرا من نوع التجديد. بينما تم تطوير طرق عددية مثل طرق الفرق المحدودة لحساب FPTDs بكفاءة، إلا أنها تظل مكثفة حسابيًا، خاصة في السيناريوهات التي تتغير فيها تكوينات GDDM عبر التجارب. للحصول على فحص مفصل لهذه المنهجيات، يُوصى بعمل ريشتر وآخرون (2023).
مناقشة
في هذا القسم، يقدم المؤلفون إطارًا رياضيًا شاملاً لنماذج انتشار الانجراف العامة (GDDMs) باستخدام المعادلات التفاضلية العشوائية (SDEs) والحركة البراونية. يعرفون زمن الخروج الأول، $\tau$، لعملية عشوائية $X(t)$ من منطقة محدودة تعرفها الحدود العليا والسفلى المستمرة، $u(t)$ و$\ell(t)$. يتم وصف التوزيع المشترك لـ $\tau$ وضرب الحدود، المسمى $C$، باستخدام كثافات زمن المرور الأول (FPTDs) لكل من الحدود، والتي تعتبر أساسية للاستدلال القائم على الاحتمالية في تجارب علوم الإدراك. يقدم المؤلفون أيضًا كثافة عدم المرور (NPD) التي تقيس احتمال بقاء العملية ضمن الحدود حتى زمن قطع $T$.
تتناول المناقشة أيضًا التحديات الحسابية المرتبطة بتقييم هذه الكثافات، خاصة في مجموعات البيانات الكبيرة النموذجية في أبحاث علوم الإدراك. يقترح المؤلفون نهج نموذج متعدد المراحل، حيث يتم تقسيم GDDM إلى مراحل مع انجراف ثابت وكثافات انتشار قطعة، مما يسمح بحساب فعال لـ FPTDs وNPDs. يحددون خوارزمية تسلسلية لتقييم الاحتمالية تستفيد من خاصية ماركوف لحساب الكثافات بشكل تكراري عبر المراحل. بالإضافة إلى ذلك، يناقشون التحولات التي يمكن أن تبسط نمذجة GDDMs، مما يمكّن من استخدام تقنيات الحركة البراونية القياسية للتقريب. يختتم القسم بملخص لتفاصيل التنفيذ والطرق العددية المستخدمة، مع التأكيد على أهمية الدقة والكفاءة في التطبيقات العملية.
DOI: https://doi.org/10.1007/s11222-026-10854-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41908951
Publication Date: 2026-03-03
Author(s): Zhenyun Du et al.
Primary Topic: Functional Brain Connectivity Studies
Overview
The section provides an overview of first passage time models, particularly focusing on generalized drift diffusion models (GDDMs) used in computational cognitive neuroscience to analyze decision-making processes. These models characterize the joint distribution of choices and response times as the first hitting time of a one-dimensional stochastic differential equation (SDE) with potentially time-varying boundaries. Despite their utility in extracting parameters related to cognitive and neural mechanisms, existing methods for computing the likelihood function in GDDMs face challenges, especially when drift rates fluctuate dynamically due to external covariates.
To address these limitations, the authors propose a novel algorithm that efficiently computes the likelihood function for GDDMs based on a broad class of SDEs that meet the Cherkasov condition. The proposed method segments each trial into discrete stages, utilizing rapid analytical results to derive stage-wise densities, which are then integrated to obtain the overall likelihood for the trial. Numerical examples indicate that this approach not only ensures accurate likelihood evaluations for effective statistical inference but also significantly enhances computational speed compared to traditional methods.
Introduction
The introduction of the paper discusses first passage time models, which are essential stochastic process models that quantify the time required for a random process to exit a specified region. These models find applications across various disciplines, including physics, finance, biology, and cognitive science, where they help analyze diverse phenomena such as stock price movements, neuron firing times, and decision-making processes in psychological experiments. The accurate computation of first passage time densities is critical for practical applications, yet analytical solutions are often unavailable for complex models, necessitating effective numerical methods.
The authors propose a novel and efficient method for computing first passage time densities in generalized drift diffusion models (GDDMs), particularly relevant in cognitive neuroscience and mathematical psychology. The paper highlights the challenges posed by the variability of parameters across trials and subjects, especially in models like attentional drift diffusion models (aDDMs), where the drift rate can dynamically change based on real-time covariates. The proposed approach leverages a semi-analytical-numerical method that significantly enhances computational efficiency, allowing for rapid likelihood evaluations crucial for statistical inference in experimental settings. The subsequent sections of the paper outline the mathematical framework of GDDMs, review related computational efforts, and detail the proposed methodology, demonstrating its applicability beyond cognitive science to other fields such as finance.
Methods
The section outlines two primary methodologies for analyzing first passage time distributions (FPTDs) in generalized diffusion models (GDDMs). The first approach involves analytic or semi-analytic methods, which can yield exact formulas for FPTDs in specific cases, particularly when parameters such as $\mu$, $\sigma$, $x_0$, $u$, and $\ell$ are constant. Notable contributions include the work of Srivastava et al. (2017), who utilized martingale theory to derive closed-form solutions that broaden the applicability of earlier theoretical analyses. However, many existing methods, including those by Wang and Pötzelberger (1997) and others, primarily rely on Monte Carlo integration, which poses challenges for large-scale applications.
The second approach focuses on numerical solutions of governing equations, specifically the Kolmogorov equations, which relate diffusion processes to partial differential equations. Both the Kolmogorov forward equation (KFE) and the backward equation (KBE) have been employed to derive FPTDs, with formulations extending to Volterra integral equations of renewal type. While numerical methods such as finite difference methods have been developed to efficiently compute FPTDs, they remain computationally intensive, particularly in scenarios where GDDM configurations vary across trials. For a detailed examination of these methodologies, Richter et al. (2023) is recommended.
Discussion
In this section, the authors present a comprehensive mathematical framework for Generalized Drift Diffusion Models (GDDMs) using stochastic differential equations (SDEs) and Brownian motion. They define the first exit time, $\tau$, of a stochastic process $X(t)$ from a bounded region defined by continuous upper and lower boundaries, $u(t)$ and $\ell(t)$. The joint distribution of $\tau$ and the boundary hit, denoted as $C$, is characterized using first passage time densities (FPTDs) for both boundaries, which are essential for likelihood-based inference in cognitive science experiments. The authors also introduce a non-passage density (NPD) that quantifies the probability of the process remaining within the boundaries up to a truncation time $T$.
The discussion further elaborates on the computational challenges associated with evaluating these densities, particularly in large datasets typical in cognitive science research. The authors propose a multi-stage model approach, where the GDDM is segmented into stages with piecewise constant drift and diffusion coefficients, allowing for efficient computation of FPTDs and NPDs. They outline a sequential algorithm for likelihood evaluation that leverages the Markov property to compute the densities iteratively across stages. Additionally, they discuss transformations that can simplify the modeling of GDDMs, enabling the use of standard Brownian motion techniques for approximation. The section concludes with a summary of the implementation details and the numerical methods employed, emphasizing the importance of accuracy and efficiency in practical applications.