[论文解读] Inexact proximal algorithms in models of Behavioral Sciences

G. C. Bento, Antoine Soubeyran|arXiv (Cornell University)|Mar 27, 2014

Complex Systems and Decision Making被引用 2

一句话总结

本文在习惯域（Habitual Domain, HD）与变异理性（Variational Rationality, VR）框架下引入了非精确近似算法，以建模行为科学中人类稳定与变化的动力学。通过将非精确性融入近似方法，该研究捕捉了在有限理性条件下的真实决策过程，为心理学、经济学及人工智能领域中持续与转变行为的分析提供了一套统一的数学方法。

ABSTRACT

The Habitual domain (HD) approach and the Variational rationality (VR) approach belong to the same strongly interdisciplinary and very dispersed area of research: human stability and change dynamics (see Soubeyran, 2009, 2010, for an extended survey), including physiological, physical, psychological and strategic aspects, in Psychology, Economics, Management Sciences, Decision theory, Game theory, Sociology, Philosophy, Artificial Intelligence,.... These two approaches are complementary. They have strong similarities and strong differences. They focus attention on both similar and different stay and change problems, using different concepts and different mathematical tools. When they use similar concepts (a lot), they often have different meaning. We can compare them with respect to the problems and topics they consider, the behavioral principles they use, the concepts they modelize, the mathematical tools they use, and their results.

研究动机与目标

• 弥合行为科学中人类稳定与变化模型与数学优化技术之间的鸿沟。
• 通过引入非精确性以弥补精确近似算法的局限，更好地反映决策过程中的有限理性。
• 基于非精确近似方法，通过统一的数学框架整合HD与VR方法。
• 利用变分原理与非精确迭代，建模个体如何维持习惯或转向新行为。
• 为在不确定性与信息有限条件下的战略、心理及经济行为分析，提供一种灵活且现实的工具。

提出的方法

• 将非精确近似算法适配于建模精确最小化不可行的决策过程。
• 运用变异理性将行为框架化为向稳定状态或新习惯逐步改进的序列。
• 在近似迭代中引入容差参数，以反映有限理性和认知局限。
• 应用HD框架定义习惯与转变的吸引域，利用近似算子建模行为转变。
• 采用单调算子理论与固定点迭代等数学工具，分析收敛性与稳定性。
• 结合博弈论、决策论与优化理论，建模多智能体与战略行为动力学。

实验结果

研究问题

• RQ1 非精确近似算法在多大程度上可改善人类行为中有限理性的建模？
• RQ2 HD与VR方法在理解维持与转变动力学方面，其概念化方式有何异同？
• RQ3 何种数学机制使非精确近似方法能够捕捉现实的行为转变？
• RQ4 近似迭代中的容差水平如何影响行为状态的稳定性和收敛性？
• RQ5 非精确近似算法在多大程度上可统一心理学、经济学与人工智能领域中的多样化模型？

主要发现

• 非精确近似算法通过整合有限理性与认知局限，为人类决策过程提供了更现实的表征。
• HD与VR方法被证明具有互补性，各自在稳定与转变过程方面提供独特但相互趋同的见解。
• 在近似迭代中使用容差参数，可实现与实证观察一致的渐进式、非理想行为转变建模。
• 该框架成功地将心理学、经济学与人工智能的概念整合为一个基于变分原理的统一数学模型。
• 在非精确性条件下，行为状态的收敛性与稳定性得以保持，验证了该方法的鲁棒性。
• 该模型为跨学科领域中个体与战略行为的分析提供了一套统一的语言。