prospect theory
PulseAugur coverage of prospect theory — every cluster mentioning prospect theory across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的KTO方法使用前景理论对齐大型语言模型，性能媲美DPO
研究人员推出了一种新颖的大型语言模型与人类反馈对齐的方法，称为KTO（Kahneman-Tversky Optimization）。KTO基于Kahneman和Tversky开发的前景理论框架，该框架描述了人类如何感知随机变量，特别是他们对损失厌恶的倾向。所提出的方法直接根据该前景理论模型最大化生成文本的效用，而不是像直接偏好优化（DPO）等方法那样优化偏好似然性。实验表明，KTO在各种模型规模上都能匹配或超越现有的基于偏好的方法，证…
-
新方法使用前景理论扩展LLM多智能体系统
研究人员引入了用于多智能体系统的前景状态传播（PspMAS），这是一种旨在增强基于LLM的多智能体系统可扩展性的新颖方法。该方法通过将智能体的状态解耦为紧凑的前景状态和富有表现力的语义状态来解决令牌消耗的挑战。前景状态受前景理论的启发，通过轻量级传播器维持智能体异质性，而语义状态则利用LLM进行感知、推理和决策，从而创建了一个互补且可扩展的模拟解决方案。
-
新研究质疑前景理论在大型语言模型决策中的可靠性
一篇新的研究论文探讨了前景理论（PT）在大型语言模型（LLMs）中的适用性，揭示了它们在面对认知不确定性时的决策过程存在显著不稳定性。该研究开发了一个工作流程来估计大型语言模型的PT参数，并发现PT不能一致或可靠地描述大型语言模型的行为，尤其是在不确定性以语言形式表达时。研究结果警示不要在歧义普遍存在的实际应用中使用基于PT的框架，并表明需要为大型语言模型的决策制定新的对齐方向。
-
新框架模拟具有心理偏见的AI代理
研究人员引入了一个名为Pro-SF的新框架，以解决战略分类问题，在这种问题中，代理会因心理偏见而偏离纯粹的理性。该框架以前景理论为基础，通过纳入不对称的收益/成本感知、主观参考点和概率失真等机制来模拟代理的战略操纵。在合成数据和真实世界数据上的实验表明，Pro-SF在连接机器学习和行为经济学以实现更可靠的现实世界应用方面是有效的。
-
AI研究将最优控制与期望理论行为联系起来
一篇新研究论文探讨了在马尔可夫决策过程（MDPs）中，最优控制如何能在没有明确的效用曲率或概率加权的情况下，内在地导致类似期望理论的行为。该研究发现，吸收性灾难状态的存在会导致智能体在增长情景下接近失败时表现出风险规避行为，而在衰退情景下表现出风险寻求行为。研究人员推导出了一个损失厌恶的封闭形式表达式，该表达式取决于获胜概率、收益不对称性和折扣因子，证明了吸收性失败状态是这些观察到行为的充分机制。
-
新框架以行为偏差模拟战略分类
研究人员引入了一个新框架 Pro-SF，以解决战略分类问题，在这种问题中，决策者与会战略性地操纵其特征的代理进行交互。与假设代理完全理性的先前模型不同，这种新方法融入了行为经济学的见解，以解释影响现实世界决策制定的认知偏差。Pro-SF 通过整合前景理论的机制来模拟这些行为上现实的战略操纵，例如对收益和成本的非对称反应、主观参考点和概率扭曲。实验表明，Pro-SF 为战略分类提供了一种更扎实的方法，将机器学习和行为经济学结合起来，以改…