arXiv cs.AI· Song-Ju Kim·· 2 天前AI 评分15
Tug-of-War 决策中的上下文概率与操作最小性
Contextual Probability and Operational Minimality in Tug-of-War Decision Making
AI 导读
研究通过 Tug-of-War（TOW）原理探讨最小决策与上下文概率的联系，推导出上下文概率所需的最小语义修复，并确定信息效率、校准与组合一致性选择上下文统计量的条件。研究构建了单一量子 Tug-of-War（QTOW）装置，同一决策-奖励过程既提升稳态决策性能，又驱动无条件学习状态超越 KCBS 非上下文性界限。基于该装置恢复操作的有限诊断还给出了修正的上下文性见证。
正文 · AI 翻译
摘要：最小决策与语境概率之间有何联系？我们通过拔河（TOW）原理来探讨这一问题，该原理是一种用于多臂老虎机决策的资源耦合机制。从经典概率出发，我们表明当奖励学习功能和指定的信息需求固定时，最小化对共同事件语义的必要松弛可以导致非经典概率。我们推导出精确的最小语义修复，并确定了信息效率、校准和组合一致性选择语境统计量的条件。然后，我们构建了一个单一的量子拔河（QTOW）仪器，其中相同的决策—奖励过程既改善了平稳决策性能，又驱动无条件学习状态超越 Klyachko--Can--Binicioğlu--Shumovsky（KCBS）非语境性界限。基于该仪器恢复操作的有限诊断还产生了一个修正的语境性见证。这些结果将最小决策、操作经济性和语境概率的出现联系起来。
| 评论： | 大幅修订。推导出语境概率的最小语义修复，并证明 QTOW 奖励学习可达到违反 KCBS 的状态。添加了数值验证和补充分析 |
| 主题： | 量子物理（quant-ph）；人工智能（cs.AI）；神经元与认知（q-bio.NC） |
| 引用为： | arXiv:2601.10034 [quant-ph] |
| （或 arXiv:2601.10034v4 [quant-ph] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2601.10034 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Song-Ju Kim 博士 [查看电子邮件]
[v1]
2026年1月15日星期四 03:27:28 UTC（63 KB）
[v2]
2026年7月9日星期四 12:17:43 UTC（35 KB）
[v3]
2026年8月25日星期二 14:29:54 UTC（44 KB）
[v4]
2026年10月14日星期三 17:10:30 UTC（88 KB）
来源：arXiv cs.AI · arxiv.org