在多假设社会学习中应遵循谁的观点？一种大偏差视角

我们考虑一个多假设社会学习问题，其中智能体可获取一组私有观测值，并从一组专家中选择一位专家的观点以纳入其最终决策。为了建模个体偏差，我们允许智能体和专家具有通用的损失函数以及可能不同的决策空间。我们刻画了智能体和专家的损失指数，并提供了一种渐近最优的方法供智能体选择最佳跟随专家。我们表明，在渐近等价意义下，当智能体采用 0-1 损失函数（即若声明真实假设为 0 否则为 1）时，其最坏损失指数得以实现。我们引入了“假设损失中性”（hypothesis-loss neutrality）的概念，并表明如果智能体采用某种假设损失中性策略，则它将忽略所有决策空间小于自身的专家。另一方面，如果专家具有与智能体相同的决策空间，那么选择具有相同损失函数的专家对智能体而言未必是最优的，这在某种程度上违反直觉。我们推导了对于采用 0-1 损失函数的智能体而言，选择具有相同损失函数的专家为最优的充分条件。