arXiv · cs.AI· Moto Shinriki·· 1 天前AI 评分23
Risk-sensitive Satisficing 如何等价于竞争性贝叶斯加权：未达成目标下的目标导向选择最小模型
Satisficing as competitive Bayesian weighting: a minimal model of goal-directed choice under an unattained target
来源与原文
arXiv · cs.AI
作者：Moto Shinriki
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2611.07270v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
Risk-sensitive Satisficing（RS）这一 bandit 学习规则可改写为类贝叶斯估计器 Attention Competitive Bayes（ACB），其中 aspiration level 作为每个动作的先验均值，有限试验预算决定证据能多大程度覆盖它。未被采样的动作估计会向目标松弛而非依赖历史观测，形成区别于显式遗忘率的"伪遗忘"。在 Bernoulli bandit 模拟中，依据证据调整 aspiration level 降低了 regret。
来源：arXiv · cs.AI · arxiv.org
这条消息，你怎么看？
把新闻带到 MickerBook，和社区伙伴聊聊；也可以去 AIHER 看看模型背后的角色与梗。