arXiv 机器学习· Moto Shinriki, Yu Kono, Tatsuji Takahashi·· 7 小时前AI 评分25
将满意决策视为竞争性贝叶斯加权：未达成目标下目标导向选择的极简模型
Satisficing as competitive Bayesian weighting: a minimal model of goal-directed choice under an unattained target
AI 导读
研究提出将风险敏感满意决策（RS）重写为类贝叶斯估计器 ACB，以抱负水平作为先验均值建模未达目标下的目标导向选择。在该机制下，不再采样的动作估计值会向抱负水平回退，形成无需丢弃数据的伪遗忘特征。伯努利老虎机模拟表明，依据证据调整抱负水平能降低遗憾值，为目标与有限注意力共同约束的行为提供了分析框架。
来源：arXiv 机器学习 · arxiv.org