妄想对冲算法作为人类从多元意见中学习的模型
人工智能
2025-12-05 v2
摘要
虽然学习的认知模型通常假设直接体验事件特征以及真实标签或结果，但日常学习大多源于听取他人的意见，而无法直接获取体验或地面真实结果。我们考虑在这种情境下人们如何学习信任哪些意见，方法是对对冲算法 (hedge algorithm) 进行扩展：这是一种从多元信息源学习的经典解决方案。我们首先引入一种半监督变体，称为妄想对冲 (delusional hedge)，它能够从监督和非监督经验中学习。在两项实验中，我们考察了人类判断与标准对冲、妄想对冲及启发式基线模型预测之间的一致性。结果表明，人类有效地结合了标记和未标记信息，其方式与妄想对冲算法一致——这表明人类学习者不仅评估信息源的准确性，还评估其与其他可靠源的一致性。这些发现增进了我们对人类从多元意见中学习的理解，并对开发能更好捕捉人们如何权衡冲突信息源的算法具有启示意义。
引用
@article{arxiv.2402.13927,
title = {The Delusional Hedge Algorithm as a Model of Human Learning from Diverse Opinions},
author = {Yun-Shiuan Chuang and Jerry Zhu and Timothy T. Rogers},
journal= {arXiv preprint arXiv:2402.13927},
year = {2025}
}