在认知科学领域，已经对人工智能（AI）的各种应用进行了大量研究。研究的重要领域之一是模仿人类思维的机器。尽管开发思维机的方法多种多样，但我们认为本文中的人类思维并不总是最优的。有时，人们会受情绪驱动而做出并非最佳的决策。最近，深度学习已成为AI中大多数机器学习任务的主导者。在涉及AI的最佳决策领域，许多传统的机器学习方法正迅速被深度学习所取代。因此，由于深度学习，我们可以期望AI技术（例如AlphaGo）在最佳决策中的更快发展。然而，人类有时并没有在最佳状态下思考和行动，而是在情感上。在本文中，我们提出了一种使用贝叶斯决策理论和学习方法来构建模仿人类的思维机器的方法。贝叶斯统计涉及基于先验和后验方面的学习过程。先验表示对特定领域的最初信念。通过观察数据的可能性将其更新为后验。后验是指基于观察的更新后的信念。当新添加观察数据时，当前后验将用作更新后验的新先验。这样的贝叶斯学习也提供了最佳决策。因此，这不适用于思维机的建模。因此，我们研究了一种使用贝叶斯决策理论开发思维机的新贝叶斯方法。在我们的研究中，我们没有使用后验期望的单个最优值。反而，



"点击查看英文标题和摘要"