认知规范的认知效用论证（四）
C在早期的时间t是您的信用函数，
命题E1，...，EN形成分区，
在t和t'之间，你会了解哪个ei是真的，而且更多，
您计划更新如下：如果您学习EI，那么您将通过Ree作为您的信用函数，
然后，如果c（ei）＞0，那么对于f的所有x，
丽（x）= c（x|ei）=
C（X＆EI）
c（ei）
这表明合理性要求您不先前的C，但还计划在以某种方式收到新证据时更新，而不是通过调理C的新证据。
5.4.1分区规划条件的认知实用程序论证
我们从分区规划有条件化的论点开始。
首先是由于Hilary Greaves和David Wallace（2008），从Peter M. Brown（1976）和Graham Odeie（1997）的技术建立了技术。 一些术语：
更新计划是从世界各国到债务职能的职能。
如果您的证据是相同的两个世界的价值，则可以使用更新计划。
更新计划是在您对世界学习的证据表达的情况下进行先前信用职能的条件计划，该计划通过在此证据前调整该世界来更新该世界。
分区计划的期望定理（窄范围）（Greaves＆Wallace 2008）假设您的认知实用程序功能严格正确，假设您的证据会告诉您特定分区的哪个成员是真的。 然后，从现有信任函数的角度来看，最大化预期的认识效用的更新计划是之前的条件规定的计划。
我在补充材料中绘制证明。
所以，我们有：
严格的礼仪
最大化预期的效用
因此，
分区计划有条件化（窄范围）
通过询问当地更新计划，该计划在收到新证据时不得采用哪些债务函数，但只需将您打算分配到特定主张的信任，肯尼·埃斯瓦兰（2013）延长了此论点以建立Van Fraassen（1999）的版本反思原则和一种称为集团的规范，这表示，您在一个主张中的无条件信用应该在于您的条件归属于它给出了分区的不同元素的范围内。
最大化预期效用是一个知名的决策理论的规范，但它没有普遍接受。 一些决定理论家认为，在预期的实用理论规则中，理性地允许承担风险。 劳拉·Quiggin（1982年）的提案，Lara Buchak（2013）提供了一种流行的替代常态，最大化风险加权预期实用程序，这使您可以考虑风险。 Catrin Campbell-Moore和Bernhard Salow（2022）探讨了Greaves和Wallace的论点的类似物，用其适当的风险敏感的类似物取代严格的适当性，并取代了Buchak的风险最大化预期效用 - 敏感版本。 他们表明这些不需要公开计划，而是替代更新规范。
分区规划条件的第二个论点是由于雷布里格斯和理查德佩蒂格雷（2020年），迈克尔·尼尔森（2021年）有所改善。 他们表明，假设添加性+连续性+严格的适当性，如果您不仅看您更新计划的认知实用程序，而且在您的前后认知实用程序和更新计划的认知实用程序的总和中，那么如果您违反公约计划有条件化（范围广），您可能已经有一个替代的先前和更新计划，而是占据主导地位。
分区规划条件化的优势定理（广泛的范围）（Briggs＆Pettigrew 2020; Nielsen 2021）假设您的认知实用功能是加性，连续，严格的衡量标准。 然后：
如果您的更新计划是可用的，但它不是您之前的条件规划，那么有一个替代的先前和替代的可用更新计划，使得在世界各国，您的先前的认可效用和更新计划的认识效用的总和少于替代先前和认知效用的认知效用的总和替代更新计划。
如果您的更新计划是您之前的条件规划，那么没有替代的先前和替代更新计划，使得在世界各国，您的更新计划的认可和认识效用的认知效用的总和的总和少于替代先前的认知效用和替代更新计划的替代事先和认知效用。
我在补充材料中绘制证明。
所以，我们有：
添加性+连续性+严格的适当性（对于认知效用函数）
未经偿化的优势
因此，
分区计划有条件化（范围广）
5.4.2历史态度的历史态度兼容性争论
我们现在转向历时调整条件的两个论点。 两者都采取了相同的方法。 您将在较早时间开始使用您的先前信用函数。 在早些时候和以后在稍后的时间之间学会了一个肯定的命题。 然后，在稍后的时间内，您将使用先前的凭证函数来决定新的后债务函数应该是什么。 它们与他们如何认为应该做出决定的不同。
根据Hannes Leitgeb和Richard Pettigrew（2010）的说法，您应该从前面的债务职能的角度来看，从您之前的信任职能的角度来看，最大化预期的认知效用，但在只有那些证据是真实的世界的期望。 如果您的认知实用程序函数严格正确，如果您的事先将积极信用分配给您学习的命题，那么最大化这一点的独特后债务函数是历史调整条件化所需的函数。
坎贝尔 - 摩尔和庄园（2022）还考虑在Buchak的风险敏感决策理论的情况下考虑这个论点的类似物，并且在这种情况下表明，它确实建立了历时调整的条件化。
根据DMitri Gallow（2019），另一方面，您应该以通常的方式最大限度地提高认知实用程序，其中期望占据所有世界，但您应该更改您使用的认知实用程序功能，以便它为每个功能进行分配相同的中性值每个世界的债务函数，你学到的证据是假的。 结果，如果你的认知实用程序函数开始是严格的，并且如果你的先前将积极的信用分配给你学习的命题，那么最大化这一点的信任函数就是历时调整条件化所需的媒体函数。
5.4.3其他更新情况
到目前为止，我们考虑的更新规范以及他们有利的论点使许多假设产生了许多假设。 首先，他们认为，您的证据将以肯定地区学习的命题形式 - 我们可能会致电这一假设确定。 其次，他们认为命题将是真实的 - 我们可能会称之为这个假设事实。 第三，他们假设命题将来自可以预先指定的分区 - 我们可能会调用此分区。 我们依次对待这三个。
首先，确定。 理查德·杰弗里（1965年）指出，我们的证据往往不会以确定性学到的一个命题形式，因为我们的议程中经常没有主张，完美地捕获了我们学到的东西。 在这种情况下，他建议，证据对我们的后勤归立率进行了特定的限制。 他认为它指定了在特定分区中的命题中必须拥有的案例，他制定了一个规则，称为概率运动学或jeffrey条件化，这告诉您如何在其他情况下设置后部归属在该分区之外的命题。 由DiaConis和Zabell（1982）的建议启发，Leitgeb和Pettigrew（2010）争辩说，当您的证据放置在后债权职能下的限制时，您应该通过采用任何信用函数最大化预期的认知来更新从您之前的信用功能的角度来看，在满足限制的历史功能中。 Leitgeb和Pettigrew表明，Brider得分从Jeffrey提出的那个提供了不同的更新规则。 Levinstein（2012年）认为这是拒绝繁荣得分的原因，以及Pettigrew（定理12，第8.5节，第8.5,2011节）表明，没有完全适当的评分规则通过这种方法给出Jeffrey的规则。
Jason Konek（2022）提供了杰弗里所识别的情况的替代方法。 他指出，虽然您的先前信用函数的议程中可能没有提出，但您要确定性地学习，但有一个表达您的经历的命题，当您拥有学习体验时，您就可以娱乐，因为您可以简单地指向学习体验并说“我学会了”我学会了那。 因此，在学习经验之后，您可以向您的议程添加此命题，并回顾您在世界范围内使用不同方式的学习经验时提供有条件的归信; 这就足以让您鉴于您确实拥有这种学习经历，让您设置新的信用。 他为这样做的特定方式提供了认知效用论证。
二，事实。 有两种方法可以解决这个问题，但第二种是接近分区的方法，所以我们将暂时离开。 Michael Rescorla（2022）建议的第一种方法是，当您了解某种特定分区的命题是真的时，迈克尔Rescorla（2022年）提出了您应该打算做的事情，但是当您在分区中确定一个命题时，您应该打算做些什么，从而留下空缺一个命题，你会成为某种事。 Pettigrew（2023）显示，由于Bas Van Fraassen（1999）（参见
弱一般反思原则理性要求您的前任债务职能应成为您可能的未来债务职能的混合。
Pettigrew证明了以下定理：
弱一般反射（Pettigrew 2023）的优势定理假设您的认知效用功能是附加，连续，严格的措施。 然后：
如果您的先前信用函数不是您可能的后债务函数的混合，那么对于每种可能的后债务函数，替代之后是替代之后的替代之后，例如，在世界各国和每个可能的后验之前，您之前的所有状态和最初该后部的认知效用小于替代后的替代先前和认知效用的认知效用的总和。
如果您的先前债务函数是您可能的后债务职能的混合，那么对于每个可能的后债务功能，替代之后，替代之后，替代之后，在世界各国和每个可能的后后，您之前的认知效用的总和该后的认识效用低于替代先前的替代先前和认知效用的认知效用的总和。
随着van fraassen（1999）所示，如果我们假设给定分区的每个元素，那么有一个独特的可能后验，所以它是肯定的，并且（ii）对于每个可能的后验，它是一个唯一的元素，其罚款是唯一的反射原则需要通过在分区的相关元件上的调理来获得每种可能的后验。
第三，分组。 代表您证明符合要求的提议的形式的情况，但我们认为这个命令是真实的，也不是它来自可以提前指明的分区，我们在确定证据时遵循尼兰申DAS（2023）功能成为一个职能的函数，并返回所谓的命题，你会在世界的那个国家确定。 如前所述，更新计划将世界的状态达到您计划在学习您在世界的证据时采用的后期所采用的; 如前所述，如果您为您收到相同证据的世界任何两个国家提供相同的建议，则可以使用更新计划。 然后Miriam Schoenfield（2016）表明，您最大限度地提高了预期的认知效用，而不是规划对您的证据进行调控，而是规划有条件地处理您收到的证据的事实。 Gallow（2021年）担心Schoenfield认为可用的计划在其证据未能排除其证据与实际情况中的证据不同的情况下，他的案例并不真正可用，并且他建议代表真正可用计划的框架描述了最大化该框架中预期的认知效用的更新计划。
5.4.4在社交场合更新
到目前为止，我们只考虑了个人的归信及其彼此的关系。 但我们也向调查世界的别人学习并分享他们在此基础上实现的债权。 因此，我们的认知情况会影响并受其他人的认知情况的影响。 Igor Douven和Sylvia Wenmackers（2017年）已经探讨了这样的情况。 他们询问认知实用程序是否考虑对从个人案件中的那些更新的不同需求。 它们假设组的成员全部以相同的先前凭证函数开头。 每个人都持有硬币，所有硬币对着陆头部具有相同的偏见，但它们不确定偏差是什么开始。 每个人都会在他们所观察到的基础上扔掉了一定数量的次数，并更新了自己的归信; 然后他们与本集团其他一些成员分享他们的证据; 然后他们重复这个过程多次。 每次迭代后，我们衡量他们的认知实用程序，然后我们在整个成员和过程中的所有时间内看待预期的平均认知效用。 Douven和Wenmackers对您自己的硬币折叠和更新公众证据的私人证据的更新不同。 他们假设每个成员通过获取其归立率和其他成员的平均（算术平均值）来更新别人的财富。 然后，他们要求私人证据的更新规则将导致最大的预期平均认盲实用程序，他们使用计算机模拟来表明它不是贝叶斯的条件化。 事实上，他们表明，范弗拉索斯（第6章，1989年）推出的更新规则（第6章，1989年）给出了最佳解释推理的粗略解释，胜过贝叶斯的条件化（虽然我们不知道其他一些规则是否优于该规则）。 然而，由于Pettigrew（2021b）指出，这只会表明，当您通过取平均值来更新对同龄人的证据时，而不是通过对它进行调节，您应该通过执行私人证据的条件以外的方式来弥补该选择的次优。 但当然，我们在本节中考虑的结果表示您不应该这样做。 您应该更新您的同龄人的证据和您的私人硬币折叠的证据，因为您应该通过调节方式更新所有内容。
5.4.4查询的认识论
正如我们在上面所看到的那样，当Greaves和Wallace为单独计划（狭隘的范围）争辩时，他们固定了我们的证据从中提出的分区并询问哪个更新计划最大化预期的认知效用。 但是，我们不会被动地获得证据。 我们也出去寻求它，在这些情况下，我们必须选择我们希望我们的证据来自哪个分区：科学家是否应该执行这个实验吗？ 侦探面试这个嫌疑人还是那个嫌疑人？ 由于I. J. Good（1967）到认知环境，Wayne Myrvold（2012）和AlejandroPérezCarballo（2018）表明我们可以使用认知实用程序来讲述哪些证据，从而讲述哪些证据认识到的观点。
鉴于分区，我们知道最大化预期认知效用的更新计划是一个有条件化计划。 因此，让我们坚持确定，对于任何给定的分区，我们计划在其上肯定地学习它的任何命题。 现在假设有两个分区，我们必须选择哪一个调查; 也就是说，我们必须选择我们的证据，始终假设我们选择的是，我们将回复我们通过调理的证据。 然后，我们可以简单地比较调节的预期认知效用，我们学习的第一分区的哪个元素以及我们学习的第二个分区的任何元素的调理的预期认识效用，然后以较大者为准。 结果是，如果一个分区是另一个分区的另一个分区，所以后者的每个命题都是前者中命题的分离，我们应该始终选择更精细的谷物。
除了提供我们可能调查的分区之间选择的认知规范，何时可以为何时调查以及何时考虑暂时解决问题而提供规范。 为了获得这些规范，我们只需对我们研究仅由Tautology的琐碎分区进行进一步调查的选择，我们就无法进一步调查。 如果我们的认知实用程序函数严格正确，如果您分配了调查给定分区的任何概率，则调查必须具有更大的预期认知效用，而不是未调查，使认识模块良好的信息定理价值（好的1967年; Myrvold 2012）。 但当然，此类调查并不无价值，因此问题将始终出现成本是值得对预期的认知收益的价值。
Campbell-Moore和Salow（2020）表明，对于风险敏感的人，即使它是免费的，也不总是要求调查。 众所周知，这些人有时需要务实不需要调查; 坎贝尔 - 摩尔和庄园表明他们有时也必须不需要。
因此，所以史诗公用事业提供了认识到我们在不同的查询和我们选择之间的选择，以及我们根本是否相同的所有选择。 但当然，事情很少相等。 调查一个分区而不是其他分区的务实原因，因此查询的一些原因是务实的：例如，调查一个分区可能比调查另一个分区更大的认知效用，但它可能更昂贵，或者可能没有帮助很多人要告知一个紧迫的决定我们很快就会制作。 但MyRvold的和PérezCarballo的方法至少至少告诉我们在世界状况调查的认知价值，然后可以抵抗其务实价值，也许也许是道德价值，以便为判定判决要做。 此外，这种方法表明，可以纯粹是收集特定调查的证据的纯粹认知原因，回答文献中提出的问题，这些问题是关于查询的认识论（例如Woodard＆Flores即将到来）。 菲律宾Vindrola和Vincenzo Crupi（即将举行）最近将这种方法应用于WASON选择任务，以辩护的是人们倾向于在这种情况下选择如何调查如何调查。
5.5唯一性论文的认知效果论证
在本节中，我们考虑对唯一性论文的认识效应论点。 回想一下，对于任何证据和任何议程，就有一个独特的信任案件，这是一个有理性的证据，这是一个有条件的证据。 并记得关于债权的认识杂项是对本索赔的否定。 有三种论点。 第一次上诉决策理论的规范，以便编码态度的态度，以回答有关先前债务职能的问题是合理允许的。 第二次上诉概率知识和认识运气的概念。 第三次上诉理性的价值。
5.5.1认知风险和唯一性论文
Minimax（有时称为Maximin）是最着名的决策理论规范，其编码风险态度（沃尔德1945）。 这表明您应该选择一个最小化最坏情况或最大宿舍的选项（同等，您应该选择最大化您最坏情况或最小实用程序的选项）。 如果我们说某人更具风险厌恶，他们在决策中赋予最坏情况的重量越多，并且他们给出了最佳情况的越少，那么最大的风险就是厌恶。
Pettigrew（2016）证明，如果我们认为您的议程是代数，并且我们的认知实用程序函数是扩展和严格的，那么Minimax需要漠不关心的原则：
漠不关心的原则要求您将相同的信件分配给世界各种可能的状态。
鉴于议程，概率和漠不关心的原则挑选出独特的先前信用函数，即统一的凭证函数，†，其中C†（w）=
1
n
，对于W中的所有W，而N是W的世界数量。
然而，Minimax通常认为过于极端。 它可能是合理的允许风险厌恶，但它无法理性允许将所有权重放在最坏情况下，并不关注其他任何东西：如果恒星的数量均匀，你肯定会选择1英镑的选项1,000,000英镑，如果它是奇怪的选择，无论哪种方式2英镑，而且最低限度排列第一个。
提出了决策理论的替代风险敏感规范。 Pettigrew考虑了Hurwicz标准（Hurwicz 1952; Pettigrew 2016），并制定了广义的Hurwicz标准（Pettigrew 2022）。 在前者中，您不仅考虑最糟糕的情况，还考虑最佳情况，也是最好的，并且您将重量分配给每个人来给予Hurwicz得分。 他展示了，如果我们对重量允许足够宽松，我们就获得了关于合理前瞻性的知识分子。 在后者，我们为所有情景，最佳，第二次，等等，给予第二次最差，最差; 这给了我们广泛的飓风得分。 再次，如果我们对加权足够宽松，我们就获得了对前瞻罗尔的更广泛的杂项。
