使用潜在推理预算对有限理性智能体进行建模
人工智能
2023-12-08 v1 机器学习
摘要
我们研究了对追求未知目标且受未知计算约束的智能体群体进行建模的问题。在有限理性的标准模型中，次优决策是通过向最优决策添加同方差噪声来模拟的，而不是显式地模拟受限推理。在这项工作中，我们引入了潜在推理预算模型（L-IBM），通过一个潜在变量（与智能体目标模型联合推断）显式地建模智能体的计算约束，该变量控制迭代推理算法的运行时间。L-IBM 使得利用来自次优行为者多样化群体的数据学习智能体模型成为可能。在三个建模任务中——从路线推断导航目标、从人类话语推断交流意图，以及预测人类国际象棋游戏中的下一步棋——我们表明 L-IBM 匹配或优于不确定性下决策的玻尔兹曼模型。推断出的推理预算本身是有意义的、计算高效的，并且与玩家技能、搭档技能和任务难度的度量相关。
引用
@article{arxiv.2312.04030,
title = {Modeling Boundedly Rational Agents with Latent Inference Budgets},
author = {Athul Paul Jacob and Abhishek Gupta and Jacob Andreas},
journal= {arXiv preprint arXiv:2312.04030},
year = {2023}
}