MARC

 008250123s2024        us                              c    eng  d
■001000017160338
■00520250211151000
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382263021
■035    ▼a(MiAaPQ)AAI30993857
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aNeyman,  Eric.
■24510▼aAlgorithmic  Bayesian  Epistemology
■260    ▼a[Sl]▼bColumbia  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a386  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-10,  Section:  B.
■500    ▼aAdvisor:  Roughgarden,  Tim.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2024.
■520    ▼aOne  aspect  of  the  algorithmic  lens  in  theoretical  computer  science  is  a  view  on  other  scientific  disciplines  that  focuses  on  satisfactory  solutions  that  adhere  to  real-world  constraints,  as  opposed  to  solutions  that  would  be  optimal  ignoring  such  constraints.  The  algorithmic  lens  has  provided  a  unique  and  important  perspective  on  many  academic  fields,  including  molecular  biology,  ecology,  neuroscience,  quantum  physics,  economics,  and  social  science.This  thesis  applies  the  algorithmic  lens  to  Bayesian  epistemology.  Traditional  Bayesian  epistemology  provides  a  comprehensive  framework  for  how  an  individual's  beliefs  should  evolve  upon  receiving  new  information.  However,  these  methods  typically  assume  an  exhaustive  model  of  such  information,  including  the  correlation  structure  between  different  pieces  of  evidence.  In  reality,  individuals  might  lack  such  an  exhaustive  model,  while  still  needing  to  form  beliefs.  Beyond  such  informational  constraints,  an  individual  may  be  bounded  by  limited  computation,  or  by  limited  communication  with  agents  that  have  access  to  information,  or  by  the  strategic  behavior  of  such  agents.  Even  when  these  restrictions  prevent  the  formation  of  a  perfectly  accurate  belief,  arriving  at  a  reasonably  accurate  belief  remains  crucial.  In  this  thesis,  we  establish  fundamental  possibility  and  impossibility  results  about  belief  formation  under  a  variety  of  restrictions,  and  lay  the  groundwork  for  further  exploration.
■590    ▼aSchool  code:  0054.
■650  4▼aComputer  science
■650  4▼aStatistics
■650  4▼aApplied  mathematics
■653    ▼aBayesian  epistemology
■653    ▼aForecast  aggregation
■653    ▼aForecast  elicitation
■653    ▼aInformation  structures
■653    ▼aOnline  learning
■653    ▼aScoring  rules
■690    ▼a0984
■690    ▼a0796
■690    ▼a0463
■690    ▼a0364
■71020▼aColumbia  University▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g85-10B.
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160338▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books