決策機制（Decision Mechanism）
摘要
決策機制（decision mechanism）指模型如何將連續表示（continuous representations）或機率分佈（probability distributions）轉換為最終預測（prediction）或行動（action）的運算結構。在機器學習（machine learning）系統中，此步驟代表從表示（representation）到實際輸出的最後轉換。
模型本身通常輸出數值或機率，而非真正的決策結果。決策機制的作用在於根據這些候選結果進行選擇、抽樣或策略生成，使模型能與外部任務形成具體對應。
因此在典型流程中：
表徵映射（representation mapping）負責形成內部表示，機率映射（probability mapping）負責表達不確定性，而決策機制則負責將機率結構轉換為最終輸出。
基本形式
確定性決策（deterministic decision）在相同輸入下始終產生固定結果。最常見形式為 argmax，其選擇機率最大的類別作為最終預測：
此方法將整個機率分佈壓縮為單一結果，因此常用於分類任務（classification）中需要明確答案的情境。
另一常見形式為閾值決策（thresholding），即當機率超過特定閾值時輸出正類。此類方法可透過調整閾值改變 Precision 與 Recall 之間的權衡，但同樣會捨棄部分分佈資訊。
相較之下，隨機決策（stochastic decision）則根據機率分佈進行抽樣（sampling），使模型在相同輸入下可能產生不同輸出。此種方法保留不確定性資訊，因此在生成模型（generative models）、語言模型（language models）與探索問題（exploration problems）中具有重要角色。
在強化學習（reinforcement learning）中，決策機制通常被形式化為策略（policy）。貪婪策略（greedy policy）始終選擇當前最優行動；epsilon-greedy policy 則以小機率進行隨機探索；隨機策略（stochastic policy）則直接根據行動分佈進行抽樣。此類方法反映利用（exploitation）與探索（exploration）之間的平衡。
不確定性與行為生成
決策機制的核心差異在於如何處理不確定性。確定性方法將機率分佈壓縮為單一選擇，因此具有穩定與可預測的特性；隨機方法則保留分佈資訊，使模型能生成多樣化結果並維持探索能力。
從更一般的角度來看，決策機制可視為從連續表示空間（continuous representation space）到離散行動空間（discrete action space）的轉換，其設計直接影響模型的穩定性、多樣性與適應能力。
因此決策機制不僅是輸出層的技術步驟，也反映模型如何在不確定性下形成行為（behavior generation）與執行選擇（action selection）。
