כתבה
arXiv cs.AI ·
Nous: למידה ואישור החלטות זיכרון
Nous: Learning and Certifying Memory Decisions Before Source Calibration
Nous מאפשר למידה ואישור החלטות זיכרון לפני כיול מקורות. המחקר מראה כי ניתן ללמוד החלטות מועילות עם פחות נתונים מאשר כיול מקורות. התוצאות נבדקו בסביבות MiniGrid.
תקציר מקורי באנגליתarXiv:2610.00094v1 Announce Type: cross Abstract: Belief-based agent memory needs reliable decisions about current state, yet its evidence may be noisy, copied, or stale. Must a memory calibrate its sources before it can improve its decisions? We separate learning, calibration, and revision certification. On one four-model hidden Markov family, learning an unknown Bayes decision requires Theta(l^-2) records and certifying its improvement over an informative incumbent takes O(l^-2) fresh records from the same observation law, while fixed-precision source estimation requires Theta(l^-4) as persistence l vanishes. Thus learning and certifying useful decisions can require quadratically fewer records than source calibration. A broader model class retains the decision rate and source lower bound
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית