SpeedyIBL：基于实例学习理论的全面、精确且快速的实现

基于实例的学习理论（Instance-Based Learning Theory，IBLT）对人类在动态任务中如何从经验进行决策给出了全面解释。自约二十年前首次提出以来，已基于 IBLT 构建了多个计算模型（即 IBL 模型）。这些模型已被证明在解释和预测人类在多种决策情境中的决策方面非常成功。然而，随着 IBLT 的发展，该理论的初始描述已变得不够精确，且尚不清楚其论证如何扩展至更复杂、动态及多智能体环境。本文以全面且精确的形式给出了 IBLT 当前理论组件的更新版本。同时提供了一个先进实现 SpeedyIBL，以释放 IBLT 处理各类个体与多智能体决策问题的能力。SpeedyIBL 解决了以往 IBL 模型实现中的一个实际计算问题——源于基于记忆的表格计算所出现的指数增长诅咒。随着时间推移积累更多观测，实例记忆呈指数增长，直接导致计算时间呈指数级放缓。因此，SpeedyIBL 利用并行计算与向量化来加速 IBL 模型的执行时间。我们在复杂度递增的决策博弈上针对已有的 IBLT 实现评估了 SpeedyIBL 的鲁棒性。结果不仅展示了 IBLT 在广泛决策任务中的适用性，也凸显了随着决策特征复杂度与智能体数量增加，SpeedyIBL 相对先前实现的改进。该库已开源供广大研究界使用。