論文の概要: Calibration of Quantum Decision Theory: Aversion to Large Losses and Predictability of Probabilistic Choices

• arxiv url: http://arxiv.org/abs/2303.02028v1
• Date: Fri, 3 Mar 2023 15:46:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-06 14:20:36.530434
• Title: Calibration of Quantum Decision Theory: Aversion to Large Losses and Predictability of Probabilistic Choices
• Title（参考訳）: 量子決定理論の校正:大きな損失への回避と確率的選択の予測可能性
• Authors: T. Kovalenko, S. Vincent, V.I. Yukalov, and D. Sornette
• Abstract要約: 本稿では、量子決定理論(QDT)の最初のキャリブレーションを、二元的リスク選択のデータセットに提示する。 モデル仮定や調整可能なパラメータを使わずに、最も単純な形式で確率的選択の定式化を用いる。 本研究の結果は,人間の意思決定者選択の予測にも,人工知能の運用の組織化にも応用できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present the first calibration of quantum decision theory (QDT) to a dataset of binary risky choice. We quantitatively account for the fraction of choice reversals between two repetitions of the experiment, using a probabilistic choice formulation in the simplest form without model assumption or adjustable parameters. The prediction of choice reversal is then refined by introducing heterogeneity between decision makers through their differentiation into two groups: ``majoritarian'' and ``contrarian'' (in proportion 3:1). This supports the first fundamental tenet of QDT, which models choice as an inherent probabilistic process, where the probability of a prospect can be expressed as the sum of its utility and attraction factors. We propose to parameterise the utility factor with a stochastic version of cumulative prospect theory (logit-CPT), and the attraction factor with a constant absolute risk aversion (CARA) function. For this dataset, and penalising the larger number of QDT parameters via the Wilks test of nested hypotheses, the QDT model is found to perform significantly better than logit-CPT at both the aggregate and individual levels, and for all considered fit criteria for the first experiment iteration and for predictions (second ``out-of-sample'' iteration). The distinctive QDT effect captured by the attraction factor is mostly appreciable (i.e., most relevant and strongest in amplitude) for prospects with big losses. Our quantitative analysis of the experimental results supports the existence of an intrinsic limit of predictability, which is associated with the inherent probabilistic nature of choice. The results of the paper can find applications both in the prediction of choice of human decision makers as well as for organizing the operation of artificial intelligence.
• Abstract（参考訳）: 本稿では、量子決定理論(QDT)の最初のキャリブレーションを二元的リスク選択のデータセットに提示する。 モデル仮定や調整可能なパラメータを使わずに、最も単純な形式の確率的選択定式化を用いて、実験の2つの繰り返し間の選択反転率を定量的に説明する。 選択反転の予測は、2つのグループに分化することで意思決定者と意思決定者の間に異質性を導入することで洗練される(比率3:1)。 これはqdtの最初の基本的なテネットであり、選択を本質的に確率的プロセスとしてモデル化し、見込みの確率はその有用性と魅力の合計として表現できる。 本稿では,累積予測理論(logit-cpt)の確率的バージョンと,定数絶対リスク回避(cara)関数を持つアトラクション係数を用いて,有用因子をパラメータ化する。 このデータセットと、ネスト仮説のWilksテストによるより多くのQDTパラメータを解析すると、QDTモデルは、集約レベルと個別レベルの両方においてロジット-CPTよりもはるかに優れた性能を示し、最初の実験と予測(第2の‘out-of-sample’イテレーション)に適合すると考えられています。 このアトラクション因子が捉えた特異なQDT効果は、大きな損失を持つ確率に対して、ほとんど(最も関連性があり、振幅が強い)評価可能である。 実験結果の定量的解析は, 予測可能性の固有限界の存在を裏付けるものであり, 選択の固有確率的性質と関連している。 この論文の結果は、人間の意思決定者の選択の予測と、人工知能の運用の組織化の両方に応用できる。

関連論文リスト

• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• Simultaneous inference for generalized linear models with unmeasured confounders [0.0]
  本稿では,構造を利用して線形射影を3つの重要な段階に統合する,統一的な統計的推定と推測の枠組みを提案する。 サンプルおよび応答サイズとして$z$-testsの効果的なType-Iエラー制御が無限大に近づくことを示す。
  論文  参考訳（メタデータ） (2023-09-13T18:53:11Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Bayesian Hierarchical Models for Counterfactual Estimation [12.159830463756341]
  本稿では,多種多様なカウンターファクトの集合を推定する確率的パラダイムを提案する。 摂動を事前分布関数によるランダム変数として扱う。 収束特性の優れた勾配ベースサンプリング器は、後方サンプルを効率的に計算する。
  論文  参考訳（メタデータ） (2023-01-21T00:21:11Z)
• Variance Minimization in the Wasserstein Space for Invariant Causal Prediction [72.13445677280792]
  そこで本研究では,ICPで行ったアプローチを,予測器数で線形にスケールする一連の非パラメトリックテストとして再検討する。 これらのテストはそれぞれ、最適輸送理論の道具から導かれる新しい損失関数の最小化に依存している。 我々は,本手法が同定可能な直接原因の集合を回復できるという軽微な仮定の下で証明し,他のベンチマーク因果探索アルゴリズムと競合することを示す。
  論文  参考訳（メタデータ） (2021-10-13T22:30:47Z)
• Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
  多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。 提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
  論文  参考訳（メタデータ） (2021-06-07T17:44:49Z)
• Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
  変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。 これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。 おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
  論文  参考訳（メタデータ） (2020-02-17T19:23:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。