.png){kind=icon}
返回
Bayesian Convergence for Computably Bounded Agents
.png){kind=icon}
PRE
AI
DOI：10.1111/phpr.70079.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文追求两个目标。首先，我们论证可计算概率论为建模可计算有界（从而更现实的）贝叶斯推理者的置信度提供了合适的框架。其次，我们发展了关于算法随机性的贝叶斯视角：这是可计算性理论的一个分支，为序列观察（数据流）在算法上可指定的方式下如何达到概率典型性提供了形式化说明。具体而言，我们论证采纳这种视角为贝叶斯认识论的一个支柱——贝叶斯向真理收敛——带来了新的见解。在一篇配文中，我们表明，对于其置信度由可计算概率测度给出的贝叶斯智能体而言，保证向真理收敛的数据流与算法随机的数据流一致。在此，我们运用这些结果来反驳针对贝叶斯向真理收敛定理的哲学意义的各种怀疑论论证。
Keyword:
RANDOMNESS
DEFINITION
期刊
P
IF:
1.4
论文数:
60
被引数:
3.5K
.png){kind=icon}
查看更多内容