基于自适应神经网络先验的有界理性决策
人工智能
2018-09-07 v1 机器学习
机器学习
摘要
有界理性研究具有有限信息处理能力的效用优化决策者。特别地，信息论有界理性模型以相对香农信息（即智能体先验策略与后验策略之间的Kullback-Leibler散度）抽象地形式化资源约束。在先验与后验之间存在一个随时慎思过程，可通过基于样本的效用函数评估经马尔可夫链蒙特卡洛（MCMC）优化来实例化。最简模型假设固定先验，并可将抽象信息论处理代价与样本评估次数相关联。然而，更先进的模型还需解决学习问题，即先验如何随时间调整以使生成的先验提议更高效。本工作中，我们研究将生成式神经网络作为先验，并与MCMC等基于样本的随时决策过程同步优化。我们在玩具示例上评估该方法。
引用
@article{arxiv.1809.01575,
title = {Bounded Rational Decision-Making with Adaptive Neural Network Priors},
author = {Heinke Hihn and Sebastian Gottwald and Daniel A. Braun},
journal= {arXiv preprint arXiv:1809.01575},
year = {2018}
}
备注
Published in ANNPR 2018: Artificial Neural Networks in Pattern Recognition