[论文解读] Semi-bounded Rationality: A model for decision making

Tshilidzi Marwala|arXiv (Cornell University)|May 26, 2013

Statistical Mechanics and Entropy参考文献 28被引用 4

一句话总结

本文提出了一种先进的决策模型——半有界理性，该模型整合了信号处理、相关性机器用于插补，以及人工智能驱动的一致性机制，以应对不完整、不完美和噪声数据的问题——通过过滤噪声、填补缺失值，并借助智能系统提升决策一致性，为有界理性提供了一种更稳健的替代方案。

ABSTRACT

In this paper the theory of semi-bounded rationality is proposed as an extension of the theory of bounded rationality. In particular, it is proposed that a decision making process involves two components and these are the correlation machine, which estimates missing values, and the causal machine, which relates the cause to the effect. Rational decision making involves using information which is almost always imperfect and incomplete as well as some intelligent machine which if it is a human being is inconsistent to make decisions. In the theory of bounded rationality this decision is made irrespective of the fact that the information to be used is incomplete and imperfect and the human brain is inconsistent and thus this decision that is to be made is taken within the bounds of these limitations. In the theory of semi-bounded rationality, signal processing is used to filter noise and outliers in the information and the correlation machine is applied to complete the missing information and artificial intelligence is used to make more consistent decisions.

研究动机与目标

• 解决在信息往往不完整、不完美和存在噪声的真实世界决策中，有界理性所面临的局限性。
• 通过引入一种结构化、智能的系统来处理和补全信息，克服人类在决策中的一致性问题。
• 开发一种整合信号处理与人工智能的决策框架，以提高可靠性与一致性。
• 提出一种混合模型，结合相关性机器与因果机器，以估计缺失值并建模因果关系。
• 通过引入数据过滤与智能推理机制，为有界理性提供一种实用的替代方案。

提出的方法

• 在决策前使用信号处理技术对输入数据进行去噪和异常值过滤。
• 利用相关性机器基于统计关系估算并补全不完整数据集中的缺失值。
• 整合人工智能系统，以确保在人类固有的不一致性影响下仍能实现一致的决策。
• 将决策过程建模为两部分：相关性机器用于数据插补，因果机器用于因果关系建模。
• 在数据不完美的现实场景中应用该框架，确保决策基于处理过、一致且完整的信息。
• 利用该理论通过将数据预处理与智能推理作为决策过程的核心组成部分，扩展有界理性。

实验结果

研究问题

• RQ1 当信息不完整、不完美且存在噪声时，如何改进决策？
• RQ2 信号处理在不确定条件下的决策可靠性提升中起到什么作用？
• RQ3 相关性机器如何有效估算决策数据集中缺失的值？
• RQ4 人工智能在应对人类不一致性方面，以何种方式促进决策的一致性？
• RQ5 半有界理性如何扩展或改进经典有界理性理论？

主要发现

• 信号处理的整合显著降低了噪声和异常值对决策结果的影响。
• 相关性机器通过利用不完整数据集中既有的统计模式，有效估算缺失数据。
• 人工智能系统通过减少人类认知偏差引起的变化，增强了决策的一致性。
• 半有界理性模型通过明确处理数据缺陷，相比有界理性提供了更稳健的框架。
• 通过数据预处理与智能推理的结合，该模型显著提升了决策质量。
• 该框架为有界理性提供了一种适用于涉及不完美信息的实际应用场景的实用扩展。