噪声环境下资源受限的信息获取
人工智能
2020-05-22 v1
摘要
我们引入一种噪声环境下资源受限信息获取的理论模型。智能体在对公式中变量的真值执行有界次数的噪声测试后, 必须猜测给定布尔公式 的真值。我们观察到, 一般而言, 为 寻找最优测试策略的问题是困难的, 但我们提出了一种有用的启发式方法。我们所用的技术也增进了对两个看似无关但被充分研究的问题的理解: (1) \emph{理性疏忽}, 即忽略相关信息何时有理性(最优策略可能几乎从不对显然与 相关的变量进行测试), 以及 (2) 是什么使一个公式难以学习/记忆。
引用
@article{arxiv.2005.10383,
title = {Information Acquisition Under Resource Limitations in a Noisy Environment},
author = {Matvey Soloviev and Joseph Y. Halpern},
journal= {arXiv preprint arXiv:2005.10383},
year = {2020}
}
备注
A preliminary version of the paper appeared in \emph{Proceedings of the Thirty-Second AAAI Conference on Artificial Intelligence (AAAI-18)}, 2018