摘要
在随机序列判断中，人们对不同序列的偏好与模式等待时间的客观差异有关。本研究探讨了循环神经网络（Recurrent Neural Networks, RNNs）是否能够超越单一模式的规律性，学习到这种时间上的不对称性，并捕捉到Penney游戏中的更复杂的竞争结构。为此，我们采用了Penney游戏作为数学上易于处理的实验平台，在该游戏中，竞争优势并非由序列出现的频率决定，而是由序列的自我重叠和交叉重叠结构共同作用所决定。基于Conway的公式，我们为门控循环单元（Gated Recurrent Units, GRUs）设计了两个互补的任务：最优对策预测和获胜概率估计。实验结果表明，GRU在这两项任务上表现优异，能够准确恢复第二方的最优或近乎最优策略，并准确估计出理论上的获胜概率，同时保持了良好的排名一致性。这些发现表明，循环神经网络能够学习到不对称序列竞争背后的结构规律性，从而将研究范围从单一模式的等待时间效应扩展到更复杂的竞争序列场景。
