贝叶斯感知模型中的一致性与统计效率
统计理论
2023-08-10 v3 理论经济学
统计理论
摘要
群体学习的贝叶斯模型自 20 世纪 70 年代起在经济学中受到研究,近来也在计算语言学中得到探讨。经济学中的模型假定智能体在其交流与行动中最大化效用。这些经济学模型无法解释许多实验研究中观察到的“概率匹配”现象。为解释这些观察,引入了并不正式契合经济效用最大化框架的贝叶斯模型。在这些模型中,个体在交流时从其后验中采样。本文中,我们研究了此类模型在具有重复连接的连通网络上的渐近行为。或许令人惊讶的是,尽管个体智能体在经典意义上并非效用最大化者,我们确立了个体最终会达成一致,并进一步表明极限后验是贝叶斯最优的。我们探讨了从大语言模型(LLMs)角度对我们结果的解读。在积极的一面,我们的结果可解读为:不同 LLM 之间的交互可带来最优学习。然而,我们给出一个例子,说明误设定如何可能导致 LLM 智能体对其估计过度自信。
引用
@article{arxiv.2205.11561,
title = {Agreement and Statistical Efficiency in Bayesian Perception Models},
author = {Yash Deshpande and Elchanan Mossel and Youngtak Sohn},
journal= {arXiv preprint arXiv:2205.11561},
year = {2023}
}
备注
21 pages, 2 figures