本論文は、人工知能の発展における効用の最大化と、外部の移動と内部の計算を含む資源の使用とのバランスをとる問題を扱います。完全観測可能環境でのこの矛盾は研究されているが、部分観測可能環境における資源効率の理解は依然として制限されている。これらの問題を解決するために、推論を通じて得られた情報を、作業パフォーマンスと運用努力とともに最適化する必要があるリソースとして扱うPOMDPフレームワークのバリエーションを開発しました。線形ガウスダイナミクスで説明されている環境でこの問題を解決することで、リソース効率の基本原理を明らかにしました。研究は、ベイズ最適アプローチでいくつかの不確実性を戦略的に解決せずに残すアプローチへの推論で相転移が発生することを発見しました。これらの節約的な行動は、効果的な戦略の構造化されたセットを生み出し、元の最適化プロセスで見落とされた後続の目標と制約への適応を容易にします。 2つの非線形タスクを使用して、フレームワークの適用可能性と導出された原理の一般性を示します。全体的に、この研究は、不確実性の下で効果的でありながら、資源の効率的な制御のために脳と機械の両方が使用できる新しいタイプの合理的な計算の基盤を提供します。
