论文提出ACB模型将风险敏感满足化规则改写为类贝叶斯估计
热点事件持续更新
论文提出ACB模型将风险敏感满足化规则改写为类贝叶斯估计
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
Moto Shinriki等作者在arXiv发布论文，提出Attention Competitive Bayes（ACB）模型，将风险敏感满足化学习规则（RS）改写为类贝叶斯估计器，用以形式化未达目标情境下的目标导向选择行为。 RS规则按每个动作过去试验占比与其相对抱负水平的盈余或缺口来赋值。ACB模型中，抱负水平作为每个动作的先验均值，有限试验预算决定证据覆盖先验的强度；未被采样的动作估计会向抱负水平松弛，产生无需丢弃数据的“伪遗忘”。作者称，在Bernoulli bandit仿真中，依据证据调整抱负水平降低了regret（预期损失）。
AI 根据报道生成 · 2 小时前更新
最新进展11月6日 13:00
满足化作为竞争性贝叶斯加权：未达目标下目标导向选择的最小模型报道时间线
沿着报道，了解事件的不同侧面。
11月6日
- arXiv cs.AI满足化作为竞争性贝叶斯加权：未达目标下目标导向选择的最小模型
arXiv 论文提出将风险敏感满足化学习规则（RS）改写为类贝叶斯估计器 Attention Competitive Bayes（ACB），其中抱负水平作为每个动作的先验均值，有限试验预算决定证据覆盖先验的强度。模型显示，未被采样的动作估计会向抱负水平松弛，产生无需丢弃数据的“伪遗忘”；Bernoulli bandit 仿真中依据证据调整抱负水平降低了 regret。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。