Menú
De forma predeterminada está seleccionado el prompt que primero revisa el origen. Puedes cambiar a un comando directo o descargar una copia local.
Lee SKILL.md y los archivos complementarios que muestra SkillsMP antes de decidir si quieres instalarlo.
Basado en la clasificación ocupacional SOC
Instalar con Codex o Claude Copia este prompt, pégalo en Codex, Claude u otro asistente, y deja que revise la página de la skill y la instale por ti.
Un comando directo omite el prompt de revisión. Revisa el origen antes de ejecutarlo.
npx skills add https://github.com/hiyenwong/ai_collection --skill neural-dynamics-decision-makingEl comando permanece en una sola línea. Desplázate horizontalmente para revisarlo antes de copiarlo.
¿Prefieres una copia local? Descarga los archivos que SkillsMP tiene disponibles ahora.
Mostrando SKILL.md
Graph-native Python reimplementation of the Information Dynamics of Music (IDyOM) model that represents predictive memories as explicit graph objects for musical expectation modeling and network analysis.
Physics-aware end-to-end deep reinforcement learning methodology for quadcopter control with actuator dynamics modeling.
Reinforced Dreamer methodology for asymmetric reinforcement learning using latent guidance to improve world model representations and behaviors in model-based RL.
| name | neural-dynamics-decision-making |
| description | Neural Dynamics Decision-Making Models |
统一决策理论模型与神经活动建模的框架，包括经典漂移扩散模型（DDM）、多维累积器、可变边界等扩展。
read - 读取神经数据文件exec - 运行 Python 分析脚本web_fetch - 获取论文详细内容决策理论模型与神经活动的统一：
循环状态空间模型 (RNN-SSM)
# 数据准备
# trials: N trials × T timebins × M neurons
# choices: N binary choices
# stimulus: N stimulus strengths
# 模型选择
config = {
'model_type': 'multi_accumulator', # or 'single_accumulator'
'dimensions': 2,
'boundary': 'collapsing' # or 'fixed', 'variable'
}
# 推断与拟合：变分拉普拉斯 EM 算法
# E-step: 推断隐状态轨迹
# M-step: 更新模型参数
# 迭代至收敛
# 模型验证
# - AIC/BIC 比较不同模型
# - 后验预测检验
# - 参数恢复测试
User: 帮我分析猴子顶叶皮层神经元在随机点运动任务中的决策动力学
Agent: 我将使用 neural-dynamics-decision-making 技能来分析。
首先，我需要了解数据格式：
- 试验数量、时间仓数、神经元数量
- 选择和刺激强度信息
根据 arXiv:2001.04571 的方法：
1. 使用多维累积器模型（2D 累积器更好地解释顶叶神经元）
2. 设置可变下边界（LIP 神经元显示动态决策阈值）
3. 应用变分拉普拉斯 EM 推断
预期发现：
- 双维累积器比单累积器更好地拟合顶叶神经元
- 某些 LIP 神经元显示可变下边界
User: 如何比较 DDM 和多维累积器模型哪个更适合我的数据？
Agent: 使用 AIC/BIC 信息准则进行比较：
1. 拟合单累积器模型，记录 AIC1, BIC1
2. 拟合双累积器模型，记录 AIC2, BIC2
3. 比较 ΔAIC = AIC2 - AIC1 和 ΔBIC = BIC2 - BIC1
决策规则：
- Δ < -2: 支持复杂模型（双累积器）
- Δ > 2: 支持简单模型（单累积器）
- -2 ≤ Δ ≤ 2: 无法区分
arXiv:2001.04571 的研究发现，顶叶皮层神经元需要双维累积器解释。
drift-diffusion-model - 经典 DDMrecurrent-state-space-model - RNN 状态空间neural-decoding - 神经解码方法