Learning in a Small/Big World

要約

複雑さと限られた能力は、不確実性の下での学習方法と意思決定方法に大きな影響を与えます。
信念形成をモデル化するために有限オートマトンの理論を使用して、この論文では、意思決定者の認知能力と比較して、環境の複雑さがそれぞれ低い世界と高い世界での最適な学習行動の特性を研究しています。
最適な動作は、非常に小さな世界ではベイジアン ベンチマークによって十分に近似されますが、世界が大きくなるにつれてさらに異なります。
さらに、大きな世界では、最適な学習動作は、ヒューリスティックの使用、相関無視、永続的な自信過剰、不注意な学習、およびモデルの単純化またはその他の動作を含む、十分に文書化された幅広い非ベイジアン学習動作を示す可能性があります。
仕様ミス。
これらの結果は、非ベイジアン学習行動の卓越性、複雑さ、および認知能力の間に明確でテスト可能な関係を確立します。

要約(オリジナル)

Complexity and limited ability have profound effect on how we learn and make decisions under uncertainty. Using the theory of finite automaton to model belief formation, this paper studies the characteristics of optimal learning behavior in small and big worlds, where the complexity of the environment is low and high, respectively, relative to the cognitive ability of the decision maker. Optimal behavior is well approximated by the Bayesian benchmark in very small world but is more different as the world gets bigger. In addition, in big worlds, the optimal learning behavior could exhibit a wide range of well-documented non-Bayesian learning behavior, including the use of heuristics, correlation neglect, persistent over-confidence, inattentive learning, and other behaviors of model simplification or misspecification. These results establish a clear and testable relationship among the prominence of non-Bayesian learning behavior, complexity, and cognitive ability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google