多选项决策累加器模型中有限采样能力的最优分配
神经元与认知
2021-02-03 v1
摘要
面对众多选项时，我们会将注意力缩小到极少数的几个。尽管此类行为可能是启发式的迹象，但在有限认知资源下它们实际上可以是最优的。在此我们研究如何将有限采样时间最优地分配给多个选项（建模为噪声证据的累加器）以确定最有利的一个。我们表明，智能体的有效采样能力随可用时间和选项的可分辨性而增加，且最优策略作为其函数发生急剧转变。对于小能力，最好将时间均匀分配给恰好五个选项并忽略所有其他选项，无论奖励的先验分布如何。对于大能力，被采样累加器的最优数量亚线性增长，在多种先验下紧密遵循幂律。我们发现将相等时间分配给被采样累加器优于使用不均匀时间分配。我们的工作强调了多选项决策具有广度-深度权衡，展示了其最优解如何依赖于有限资源量与环境变异性，并表明对于小能力聚焦于少数选项始终是最优的。
引用
@article{arxiv.2102.01597,
title = {Optimal allocation of finite sampling capacity in accumulator models of multi-alternative decision making},
author = {Jorge Ramírez-Ruiz and Rubén Moreno-Bote},
journal= {arXiv preprint arXiv:2102.01597},
year = {2021}
}