自适应采样策略导致有偏信念：热炉效应的一种推广
机器学习
2024-04-04 v1 机器学习
摘要
热炉效应是一种由学习的自适应特性导致的负性偏差。其机制是：追求具有正估计值的备选方案但避免具有负估计值的备选方案的学习算法，会纠正高估错误，但无法纠正低估错误。在这里，我们将热炉效应背后的理论推广到负估计不一定导致完全回避但导致较小样本量的设置（即，如果备选B被认为较差，学习者会选择较少的B，但不会完全回避B）。我们正式证明了在这种设置下负性偏差仍然存在。我们还表明，贝叶斯学习者在大多数情况下存在负性偏差，即大多数此类学习者低估了备选方案的期望值。
引用
@article{arxiv.2404.02591,
title = {Adaptive Sampling Policies Imply Biased Beliefs: A Generalization of the Hot Stove Effect},
author = {Jerker Denrell},
journal= {arXiv preprint arXiv:2404.02591},
year = {2024}
}