Solomonoff Induction
PulseAugur coverage of Solomonoff Induction — every cluster mentioning Solomonoff Induction across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的分层所罗门归纳法模型有望实现基于数据集的最优序列预测
研究人员推出了一种新颖的机器学习模型——分层所罗门归纳法（HSI），该模型专为从数据集中进行无界序列预测而设计。HSI 在所罗门归纳法原理的基础上，通过对所有可能的所罗门先验引入超先验，使其能够以观察到的序列为条件。研究表明，该模型等同于所罗门归纳法本身，其超额误差受真实数据生成器复杂度的限制。这一发展有望在数据集增长的极限情况下实现最优预测，为给定数据集的序列预测提供理想的无界模型。
-
AI智能体被概念化为分层信念网络
这篇博文介绍了一个非正式的框架，将智能体理解为“信念网络”。该模型整合了主动推理、智能体基础和机器学习的概念，提出信念、目标和行动是单一现象相互关联的方面。该框架认为，智能体的信念通常是局部一致的，但不一定是全局一致的，这对依赖单一概率分布的模型提出了挑战。它借鉴了概率依赖图（PDGs）和Garrabrant归纳法来处理这种不一致性，并融入了类似深度学习架构的分层概念形成。
-
作者提出OSAC框架用于主观决策
作者提出了一个名为OSAC（主观关怀分配优化）的框架，用于做出决策，特别是在伦理和未来规划的背景下。该框架建议个人应该主观地将他们的“关怀”分配给不同的可能世界和时刻，而不是依赖客观的道德真理或仅仅依赖数学上的简洁性。目标是增加未来的选择性，并建立良好的反思过程，尤其是在AI的开发和控制方面。
-
研究人员利用复杂性数学探索程序互操作性
研究人员正在探索最小程序的互操作性，借鉴了柯尔莫哥洛夫复杂度（Kolmogorov complexity）和所罗门诺夫归纳法（Solomonoff induction）等概念。该工作提出了一种通过组合两个现有的近似最佳压缩来为数据构建新的、近似最短程序的方法。新程序将生成一个中间字符串，然后是最终数据，如果中间数据是独立的，则可能重用原始程序中的组件。