深度分析
貝爾曼最適性在吸收性災難 MDP 中自然呈現前景理論特徵
本研究探討在吸收性災難狀態的馬可夫決策過程中,標準貝爾曼最適產生前景理論的 S 形價值函數、損失敏感係數大於一以及反射效應的逆轉,研究顯示風險中性代理人在成長與衰退情境下,也會分別呈現保守與冒險行為。研究遍歷495種參數組合,發現損失敏感係數於災難時顯著上升,且不同折扣因子與成功機率下均保持此行為。
深度分析
本研究探討在吸收性災難狀態的馬可夫決策過程中,標準貝爾曼最適產生前景理論的 S 形價值函數、損失敏感係數大於一以及反射效應的逆轉,研究顯示風險中性代理人在成長與衰退情境下,也會分別呈現保守與冒險行為。研究遍歷495種參數組合,發現損失敏感係數於災難時顯著上升,且不同折扣因子與成功機率下均保持此行為。
深度分析
研究以CYK演算法為例,直接將其運算流程注入神經網路,提出CYKNN架構,透過可訓練的矩陣向量乘法實現語法分析。實驗顯示在簡易文法測試中,該模型優於20億參數以上的大型語言模型與經LoRA微調的較小模型。此舉為神經符號結合開啟新方向,預計將影響語法分析與程式語言編譯的研發路線。