MARC

 008250123s2024        us                              c    eng  d
■001000017161315
■00520250211151339
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382808864
■035    ▼a(MiAaPQ)AAI31242059
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a153
■1001  ▼aCorrea,  Carlos  Giovanni.▼0(orcid)0000-0001-9138-7818
■24510▼aStructured  Representations  Underlying  Efficient  Decision-Making
■260    ▼a[Sl]▼bPrinceton  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a162  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Daw,  Nathaniel  D.;Griffiths,  Thomas  L.
■5021  ▼aThesis  (Ph.D.)--Princeton  University,  2024.
■520    ▼aOptimal  sequential  decision-making  requires  considering  a  vast  number  of  potential  action  sequences,  growing  exponentially  with  every  step  into  the  future.  The  theoretical  difficulty  of  decision-making  is  compounded  by  the  resource  limitations  faced  by  humans  and  other  animals,  such  as  finite  time  and  memory.  While  these  limitations  are  often  cited  as  the  reason  for  suboptimal  behavior,  the  emerging  framework  of  resource-rationality  adopts  the  perspective  that  seemingly-suboptimal  behavior  is  actually  adaptively  tuned  to  these  limitations  and  makes  rational  use  of  limited  resources.  This  dissertation  focuses  on  two  broad  approaches  humans  and  other  animals  take  to  adaptively  simplify  their  decisions.  The  first  is  hierarchical  representation,  intuitively  appealing  because  appropriate  choice  of  hierarchy  can  decompose  complex  tasks  into  simpler  subtasks.  We  develop  a  resource-rational  framework  where  subgoals  are  chosen  based  on  how  they  can  simplify  the  costly  process  of  planning.  We  identify  novel  connections  between  our  framework  and  alternative  accounts  in  simulations,  and  find  that  the  predictions  of  our  framework  are  consistent  with  human  behavior  in  a  large-scale  behavioral  experiment.  In  a  separate  study,  we  run  a  process-tracing  experiment  where  participants  create  hierarchically-structured  programs  and  identify  a  heuristic  bias  towards  reuse  that  guides  hierarchical  representations.  The  second  broad  approach  we  consider  are  heuristic  strategies  for  reinforcement  learning  tasks.  We  propose  a  framework  for  strategy  inference,  where  strategies  are  formulated  as  programs  and  evaluated  based  on  their  task  performance  in  addition  to  their  complexity.  Focusing  on  simulations  of  bandit  problems,  we  examine  how  strategies  vary  based  on  the  weight  given  to  complexity  and  their  relationship  to  behavioral  signatures  in  previous  research.
■590    ▼aSchool  code:  0181.
■650  4▼aCognitive  psychology
■650  4▼aNeurosciences
■653    ▼aReinforcement  learning
■653    ▼aDecision-making
■653    ▼aHierarchical  representation
■653    ▼aHeuristic  strategies
■690    ▼a0633
■690    ▼a0317
■690    ▼a0800
■71020▼aPrinceton  University▼bNeuroscience.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0181
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161315▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books