.png){kind=icon}
返回
Uncertain Search with Knowledge Transfer
.png){kind=icon}
PRE
AI
DOI：10.1287/mnsc.2023.00309.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们考虑对一组相似选项进行序贯搜索。单个选项的价值包含两个组成部分：一个可观测效用和一个特有值。可观测效用共享一个未知的总体分布，该分布捕捉了选项间的相似性，并允许在组内进行知识转移。一旦决策者遇到一个选项，其效用会立即显现，而特有值是不可观测的，需要通过抽样来学习。目标是在考虑抽样和搜索成本的情况下，选择具有最高单个价值的选项。该问题的一个新颖特征是结合了个体和总体两个层次的学习。我们将该问题表述为贝叶斯动态规划，并通过阈值结构来刻画最优策略。我们表明，该策略取决于当前选项与总体的均值估计之差；如果该差值处于一对阈值之间，则最优选择是继续抽样；否则，若当前选项超过上阈值则接受，若低于下阈值则切换到新选项。还推导了其他结构性性质，以阐明两个学习层次的影响。一个关键见解是：在个体层面，更多不确定性是可取的，但在总体层面，更少不确定性是可取的。还考虑了该问题的各种实际变体。
Keyword:
sequential search
dynamic programming
Bayesian updating
期刊
IF:
4.9
论文数:
794
被引数:
5.0W
机构
引用论文
.png){kind=icon}
Repeated Commit-or-Defer Decisions with a Deadline: The Influenza Vaccine Composition重复承诺或推迟决定的最后期限: 流感疫苗组合物
PREAI
分享收藏
查看更多内容