Bandit-Based Task Assignment for Heterogeneous Crowdsourcing
Tokyo Institute of Technology（东京工业大学）；The University of Tokyo（东京大学）
我们考虑了众包中的任务分配问题，其目的是在有限的预算内收集尽可能多的可靠标签。这种情况下的挑战是如何应对任务的多样性和工作人员的任务依赖可靠性，例如，一个工作人员可能擅长识别运动队的名字，但不熟悉化妆品品牌。我们将这种实际环境称为异质众包。在本文中，我们提出了一个上下文的强盗制定异构众包任务分配，这是能够处理的探索-剥削工人选择权衡。我们还从理论上研究了所提出的方法的遗憾界，并证明了其实用性的实验。
2015-07-21 cs.LG
Efficient Online Crowdsourcing with Complex Annotations
Meta
针对在线众包中复杂标注的成本与质量权衡难题，提出基于标注者期望平均相似度与条件准确率线性关系的在线方法，经Meta真实数据验证可有效优化权衡。
2024-01-25 cs.HC cs.LG
Streaming Bayesian Inference for Crowdsourced Classification
University of Southampton（南安普顿大学）；Imperial College, London（伦敦帝国理工学院）
众包的一个关键挑战是从嘈杂和不可靠的数据中推断出真实情况。要做到这一点，现有的方法依赖于从人群中收集冗余信息，并使用某种概率方法对其进行聚合。然而，通常这样的方法是计算效率低，限于一些特定的设置，或缺乏理论保证。在本文中，我们重新审视了众包数据的二进制分类问题。具体来说，我们提出了流贝叶斯推理众包（SBIC），一种新的算法，不受任何这些限制。首先，SBIC具有低复杂度，并且可以用于实时在线设置。其次，SBIC在所有设置中具有与最佳最先进算法相同的精度。第三，SBIC在在线和离线设置下都具有可证明的渐近保证。
2019-11-13 cs.LG stat.ML
Cheaper and Better: Selecting Good Workers for Crowdsourcing
Univeristy of California, Berkeley（加州大学伯克利分校）；Univeristy of California, Irvine（加州大学欧文分校）
众包为大规模数据收集提供了一个流行的范例。我们研究的问题，从一个给定的工人池，以最大限度地提高精度下的预算约束下的工人的子集。一个自然的问题是，我们是否应该在预算允许的范围内雇佣尽可能多的工人，还是限制少数高素质的工人。通过对众包中典型场景的错误率进行理论分析，将工作人员选择问题归结为组合优化问题，并提出了一种有效的求解算法。在模拟和真实世界数据集上的实证结果表明，我们的算法能够选择少量的高质量的工人，并且在预算允许的情况下，表现得和更大的人群一样好，有时甚至更好。
2015-02-03 cs.AI cs.LG stat.AP
A Minimax Optimal Algorithm for Crowdsourcing
Telecom ParisTech（巴黎电信高等技术学校）；Centrale-Supelec（中央理工-高等电力学院）
我们考虑的问题，准确地估计工人的可靠性的基础上，他们提供的嘈杂的标签，这是一个基本的问题，在众包。我们提出了一个新的下界的极小极大估计误差，适用于任何估计过程。我们进一步提出了三角估计（TE），估计工人的可靠性的算法。TE具有低复杂度，当标签由工作者实时提供时可以在流设置中实现，并且不依赖于迭代过程。我们进一步证明了TE是极大极小最优的，并符合我们的下界。最后，我们评估了TE和其他最先进算法在合成数据集和真实数据集上的性能。
2017-10-25 cs.HC cs.LG cs.SI
A Study of Unsupervised Adaptive Crowdsourcing
The Pennsylvania State University（宾夕法尼亚州立大学）
基于用户响应与多数响应的一致性，研究无监督众包性能，提出两种场景下的可靠性度量方法。
2011-10-09 cs.LG cs.SY eess.SY
Auxiliary-task Based Deep Reinforcement Learning for Participant Selection Problem in Mobile Crowdsourcing
Baidu Inc.（百度公司）；IIIS, Tsinghua University（清华大学交叉信息研究院）；Lancaster University（兰卡斯特大学）；Nanjing University（南京大学）；Tencent Holdings Ltd.（腾讯控股有限公司）
在移动众包（MCS）中，平台选择参与者来完成来自招聘人员的位置感知任务，旨在实现多个目标（例如，利润最大化、能源效率和公平）。然而，不同的MCS系统具有不同的目标，并且即使在一个MCS系统中也可能存在冲突的目标。因此，设计一种适用于不同MCS系统的参与者选择算法以实现多个目标是至关重要的。为了解决这个问题，我们将参与者选择问题表示为强化学习问题，并提出了一种新的方法来解决这个问题，我们称之为基于任务的深度强化学习（ADRL）。我们使用Transformers从MCS系统的上下文中提取表示，并使用指针网络来处理组合优化问题。为了提高样本效率，我们采用了一个任务训练过程，训练网络预测招聘人员即将完成的任务，这有利于深度学习模型的嵌入式学习。此外，我们发布了一个模拟的环境中的一个特定的MCS任务，共乘任务，并在此环境中进行广泛的性能评估。实验结果表明，ADRL优于和提高样本效率比其他公认的基线在各种设置。
2020-08-26 cs.LG stat.ML
A Model for Imbalanced Label Aggregation: A Focus on Minority-Class Detection
SNCF（法国国家铁路公司）；Tampere University（坦佩雷大学）
研究不平衡众包中依赖类别的注释器准确性问题，引入结合项目难度与注释器能力的生成聚合模型，在33个真实世界众包数据集上评估，该模型在少数类召回率上表现出色，平衡准确率也具竞争力。
2026-07-28 cs.LG stat.ML
Efficiency of active learning for the allocation of workers on crowdsourced classification tasks
University of Southampton（南安普顿大学）；Imperial College, London（伦敦帝国理工学院）
众包已成功地采用在过去作为一种有效的和廉价的方式来执行分类任务，因此引起了研究界的关注。然而，我们仍然缺乏一个理论上的理解，如何收集标签的人群中以最佳的方式。本文重点关注员工分配问题，并比较经验文献中提出的两种主动学习政策与统一分配可用预算的情况。为此，我们做了一个彻底的数学分析的问题，并得出一个新的约束系统的性能。此外，我们在一个更现实的情况下进行了广泛的模拟，并表明我们的理论结果在实践中。
2016-10-19 cs.HC cs.LG
Unsupervised Crowdsourcing with Accuracy and Cost Guarantees
IIT Bombay（印度理工学院孟买分校）
我们考虑的问题的成本最优利用的众包平台的二进制，无监督分类的项目集合，给定一个规定的错误阈值。假设众包平台上的工作人员根据他们的技能、经验和/或过去的表现被分成多个类别。我们通过一个未知的混淆矩阵和一个（已知的）每个标签预测要支付的价格来对每个工人类进行建模。在这种情况下，我们提出了从工人那里获取标签预测的算法，以及推断项目的真实标签的算法。我们证明，如果（未标记的）项目的数量足够大，我们的算法满足规定的错误阈值，产生的成本是接近最优的。最后，我们通过一个广泛的案例研究来验证我们的算法，以及一些受其启发的算法。
2022-07-05 cs.HC cs.LG
Optimal level set estimation for non-parametric tournament and crowdsourcing problems
Institut für Mathematik, Universität Potsdam（波茨坦大学数学研究所）；INRAE（法国国家农业食品与环境研究院）；Univ. Montpellier（蒙彼利埃大学）
研究众包与锦标赛中部分观测矩阵的水平集估计问题，提出多项式时间算法实现最小最大最优分类，揭示置换模型的统计计算差距本质。
2024-08-27 cs.LG math.ST stat.ML
Crowdsourced PAC Learning under Classification Noise
Department of Mathematics, Statistics, & Computer Science（数学、统计与计算机科学系）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
在本文中，我们分析了PAC的可学习性，从标签产生的众包。在我们的设置中，未标记的示例来自分布，标签来自在分类噪声下操作的工人，每个工人都有自己的噪声参数。我们开发了一个端到端的众包PAC学习算法，该算法将未标记的数据点作为输入，并输出经过训练的分类器。我们的三步算法结合了多数表决，纯探索土匪，和噪声PAC学习。我们证明了几个保证标记的工作人员在此设置中的PAC学习的任务数量，并表明我们的算法提高了基线，减少任务的总数给工人。我们证明了我们的算法的鲁棒性，探索其应用程序，以额外的现实众包设置。
2019-02-12 cs.DS cs.LG stat.ML
Statistical Decision Making for Optimal Budget Allocation in Crowd Labeling
UC Berkeley（加州大学伯克利分校）；University of Iowa（爱荷华大学）；Microsoft Research（微软研究院）
在群体标记中，大量未标记的数据实例被外包给一群工人。工人将为他们提供的每个标签支付报酬，但标签请求者通常只有有限的预算。由于数据实例具有不同级别的标记难度，并且工作者具有不同的可靠性，因此期望具有最优策略来在所有实例-工作者对之间分配预算，使得整体标记准确性最大化。我们认为分类标签的任务和制定的预算分配问题作为一个贝叶斯马尔可夫决策过程（MDP），同时进行学习和决策。利用动态规划（DP）递推算法，可以得到最优分配策略。然而，当问题的大小增加时，DP很快变得计算上难以处理。为了解决这个问题，我们提出了一个计算效率高的近似策略，称为乐观知识梯度策略。我们的MDP是一个非常通用的框架，适用于具有同质工人的拉式众包市场和具有异质工人的推式市场。它还可以在实例可用时合并实例的上下文信息。仿真和真实数据上的实验表明，在相同的预算水平下，该策略比现有的其他策略具有更高的标记准确率。
2014-04-24 cs.LG math.OC stat.ML
Scalable Variational Gaussian Processes for Crowdsourcing: Glitch Detection in LIGO
University of Granada（格拉纳达大学）；Northwestern University（西北大学）；Cardiff University（卡迪夫大学）
在过去的几年里，众包正在改变分类训练集的获取方式。众包不是依赖于单个专家注释者，而是在大量合作者之间共享标签工作。例如，这被应用于获奖的激光干涉引力波天文台（LIGO）获得的数据，以检测可能阻碍识别真正引力波的故障。众包场景带来了新的挑战性困难，因为它处理来自具有未知专业知识程度的异质注释者群体的不同意见。概率方法，如高斯过程（GP），已被证明是成功的建模这种设置。然而，GPS不能很好地扩展到大型数据集，这阻碍了它们在实际应用中的广泛采用（特别是在LIGO）。这导致了最近引入的基于深度学习的众包方法，这已经成为最先进的。然而，GPS的准确不确定性量化已经部分牺牲。这对于LIGO中的天体物理学家来说是一个重要的方面，因为毛刺检测系统应该提供非常准确的预测概率分布。在这项工作中，我们利用最流行的稀疏GP近似开发一种新的基于GP的众包方法，分解成小批量。这使得它能够处理以前禁止的数据集。我们称之为可扩展变分高斯过程众包（SVGPCR）的方法将基于GP的方法带回了最先进的水平，并擅长于不确定性量化。SVGPCR被证明优于基于深度学习的方法和以前的概率方法时，应用于LIGO数据。此外，它的行为和主要性质进行了仔细的分析，在控制实验的基础上MNIST数据集。
2019-11-05 cs.CV cs.LG gr-qc
Optimizing the Wisdom of the Crowd: Inference, Learning, and Teaching
Arizona State University（亚利桑那州立大学）
对大量数据的前所未有的需求催化了人类洞察与机器学习技术相结合的趋势，这促进了使用众包来有效且高效地获取标签信息。众包领域的经典研究主要集中在分类环境下的标签推理问题。然而，推断真实标签需要复杂的聚合模型，这些模型通常只能在某些假设下表现良好。同时，无论聚合模型多么复杂，生成人群标签的真实模型仍然是未知的。因此，标签推理问题永远不能完美地推断出地面真理。基于众包标签是丰富的并且利用聚合将丢失这种丰富的注释信息（例如，哪个工人提供哪个标签），我们认为，关键是要考虑众包工人的不同标签能力以及它们的相关性。为了应对上述挑战，我们建议解决三个研究问题，即推理，学习和教学。
2018-06-23 cs.HC cs.LG stat.ML
Online Budget Allocation with Censored Semi-Bandit Feedback
Institut universitaire de France（法国大学研究院）；University of Ottawa（渥太华大学）；Politecnico di Milano（米兰理工大学）
本文提出了一种在截断半带反馈下进行在线预算分配的算法，证明了其在递减回报情况下具有对数多项式遗憾，同时在一般情况下也达到了K√T的上界，并给出了匹配的下界。
2026-11-06 cs.GT cs.LG stat.ML
Multi-object Classification via Crowdsourcing with a Reject Option
Syracuse University（雪城大学）；IBM Thomas J. Watson Research Center（IBM托马斯·J·沃森研究中心）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
考虑为$M$元分类任务设计一个有效的众包系统。群组工作者完成简单的二进制微任务，其结果被聚合以给出最终结果。我们考虑了一个新的场景，其中工作人员有一个拒绝选项，这样当他们无法或选择不响应时，他们可以跳过微任务。例如，在不匹配的语音转录中，不懂语言的工人可能无法对专注于其分类感知之外的语音维度的微任务做出反应。我们提出了一种聚合方法，使用加权多数表决规则，每个工人的响应被分配一个优化的权重，以最大限度地提高人群的分类性能。我们评估系统的性能在精确和渐近形式。此外，我们还考虑了这样一种设置，即可能有一组贪婪的工作者，即使他们无法可靠地执行微任务，他们也会完成微任务。我们考虑了一个不经意的和一个清除策略来处理贪婪的工人，开发一个算法来适应性地在这两个之间切换的基础上估计的分数贪婪的工人在匿名人群。仿真结果表明，改进的性能相比，传统的多数表决。
2016-06-10 cs.LG
Fundamental Limits of Budget-Fidelity Trade-off in Label Crowdsourcing
California Institute of Technology（加州理工学院）
数字众包（CS）是一种现代方法，使用大量人群的小贡献来执行某些大型项目。在CS中，任务主管通常将项目分解为小批量的任务，并将它们分配给所谓的技能水平不完善的工人。然后众包收集和分析结果，以进行推理并服务于项目的目的。在这项工作中，CS问题，作为一个人在回路中的计算问题，建模和分析的信息理论率失真的框架。其目的是确定在给定预算的情况下，通过来自人群的任何形式的查询和任何解码（推理）算法可以实现的最终保真度。结果是建立了一个联合源通道（解码）编码方案，这代表了查询方案和推理，在并行嘈杂的渠道，模型工人的技能水平不完善。我们还提出并分析了一个查询方案称为$k$ -ary关联编码和研究优化查询定价在这种设置。
2016-08-25 cs.IT cs.LG math.IT
Learning an Optimization Algorithm through Human Design Iterations
Arizona State University（亚利桑那州立大学）
通过众包解决优化设计问题面临着一个困境：一方面，人类已经被证明在寻找高维或离散解空间的某些现实世界问题的好解时比算法更有效;另一方面，建立众包环境的成本，群体特定领域能力的不确定性，以及群体缺乏承诺，所有这些都导致设计众包在现实世界中缺乏应用。因此，我们的动机是调查的解决方案搜索机制，其中的优化算法进行调整的基础上，人类示范解决方案搜索，使搜索可以继续后，人类参与者放弃的问题。为此，我们将迭代搜索过程建模为贝叶斯优化（BO）算法，并提出了一种逆BO（IBO）算法来找到基于人类解决方案的BO参数的最大似然估计。我们通过一个车辆设计和控制问题，BO的搜索性能可以提高恢复其参数的基础上有效的人类搜索。因此，IBO有潜力提高设计众包活动的成功率，只需要好的搜索策略，而不是从人群中找到好的解决方案。
2017-04-26 cs.LG
PETS: A Principled Framework Towards Optimal Trajectory Allocation for Efficient Test-Time Self-Consistency
Stanford University（斯坦福大学）；UNC at Chapel Hill（Chapel Hill 大学）；Yale University（耶鲁大学）；New York University（纽约大学）
提出PETS框架，通过将轨迹分配建模为优化问题并引入自一致性率度量，在离线（连接众包理论）和在线流式场景下实现样本高效的测试时自一致性，显著降低采样预算。
2026-05-31 cs.AI cs.LG
An Incentive Compatible Multi-Armed-Bandit Crowdsourcing Mechanism with Quality Assurance
考虑一个请求者，他希望将一系列相同的二进制标记任务众包给一个工人池，以便以成本最优的方式为每个任务实现有保证的准确性。工人是异质的，具有未知但固定的素质，他们的成本是私人的。问题是为每个任务选择一个最佳的工人子集，以便从选定的工人获得的结果保证目标精度水平。这个问题是一个具有挑战性的，即使在一个非战略性的设置，因为聚合标签的准确性取决于未知的质量。我们开发了一种新的多臂强盗（MAB）机制来解决这个问题。首先，我们提出了一个框架，保证精度Bandit（AAB），这导致了一个MAB算法，约束的信心界的非战略设置（CCB-NS）。我们推导出一个上界的时间步长的算法选择一个次优集，这取决于目标的准确性水平和真实的质量。当请求者不仅要了解工人的素质，还要了解他们的真实成本时，就会出现更具挑战性的情况。本文对CCB-NS算法进行了改进，得到了一种自适应的探测分离算法，我们称之为{ \em策略设置的约束置信界（CCB-S）}。CCB-S算法产生一个事后单调分配规则，从而可以转化为一个事后激励相容的事后个体理性机制，学习工人的素质，以成本最优的方式保证给定的目标精度水平。我们提供了一个下界的次数任何算法应该选择一个次优集，我们看到，下界匹配我们的上限到一个常数因子。我们提供的见解，这个框架的实际实施，通过一个说明性的例子，我们通过模拟显示我们的算法的有效性。
2015-06-17 cs.GT cs.LG
Reconciling Risk Allocation and Prevalence Estimation in Public Health Using Batched Bandits
Stanford University（斯坦福大学）
在许多公共卫生环境中，在向已知的脆弱地区分配资源与了解这一问题的总体普遍性之间存在着明显的紧张关系。受我们帮助设计的一个挨家挨户的新冠病毒检测项目的启发，我们将多臂强盗策略和抽样理论的见解结合起来，演示如何在继续向风险地区分配资源的同时恢复准确的流行率估计。我们以传染病的爆发为例。公共卫生环境有几个特点，使其有别于典型的强盗环境，如分布偏移（真实的疾病流行率随时间而变化）和分批抽样（必须同时作出多项决定）。尽管如此，我们证明了几个强盗算法能够超越贪婪的资源分配策略，这往往比随机分配，因为他们没有注意到在新的领域爆发。
2021-10-25 cs.LG
SURF: Improving classifiers in production by learning from busy and noisy end users
J.P. Morgan AI Research（摩根大通人工智能研究院）；J.P. Morgan Applied AI & ML（摩根大通应用人工智能与机器学习部门）
监督学习分类器在生产中不可避免地会犯错误，可能会错误标记电子邮件，或将其他常规交易标记为欺诈。至关重要的是，为这样一个系统的最终用户提供一种重新标记他们认为被错误标记的数据点的方法。然后，可以在重新标记的数据点上重新训练分类器，以提高性能。为了减少该反馈数据中的噪声，可以采用来自众包文献的公知算法。然而，反馈设置提供了一个新的挑战：我们如何知道在用户不响应的情况下该怎么做？如果用户没有对标签提供反馈，那么假设他们隐含地同意是危险的：用户可以是忙碌的，懒惰的，或者不再是系统的用户！我们表明，传统的众包算法的斗争，在这个用户反馈设置，并提出了一种新的算法，SURF，可以应付这种非响应的模糊性。
2020-10-12 cs.LG
A Light-weight, Effective and Efficient Model for Label Aggregation in Crowdsourcing
Hefei University of Technology（合肥工业大学）；University of Tasmania（塔斯马尼亚大学）；Data61, CSIRO（联邦科学与工业研究组织Data61）；Auckland University of Technology（奥克兰理工大学）
由于众包标签中的噪声，标签聚合（LA）已经成为后处理众包标签的标准过程。LA方法通过对工人素质进行建模，从众包标签中估计真实标签。大多数现有的LA方法是迭代的性质。他们需要多次遍历所有众包标签，以便联合并迭代地更新真实标签和工人质量，直到收敛。因此，这些方法具有高的空间和时间复杂度。在本文中，我们将LA视为一个动态系统，并将其建模为动态贝叶斯网络。从动态模型中，我们得到了两个轻量级的算法，LA \textsuperscript{onepass}和LA \textsuperscript{twopass}，它可以有效地和高效地估计工人的质量和真正的标签，通过遍历所有的标签最多两次。由于动态特性，所提出的算法还可以在线估计真实标签，而无需重新访问历史数据。我们从理论上证明了所提出的算法的收敛性，并限制了估计工人质量的误差。我们还分析了所提出的算法的空间和时间复杂度，并表明它们是等同于多数表决。在20个真实数据集上进行的实验表明，所提出的算法可以有效地和高效地聚合标签在离线和在线设置，即使他们遍历所有的标签最多两次。
2022-11-19 cs.AI cs.HC cs.LG
Censored Semi-Bandits: A Framework for Resource Allocation with Censored Feedback
IIT Bombay（印度理工学院孟买分校）；IIT Madras（印度理工学院马德拉斯分校）；LinkedIn India（领英印度）
在本文中，我们研究审查半土匪，一个新的变种的半土匪问题。假设学习器具有固定数量的资源，它在每个时间步分配给手臂。从手臂上观察到的损失是随机的，取决于分配给它的资源量。更具体地说，如果手臂的分配超过一个常数（但未知）阈值，则损失等于零。我们的目标是学习一个可行的分配，使预期损失最小化。该问题具有挑战性，因为每个臂的损失分布和阈值是未知的。我们研究这种新的设置，建立其“等价”多播放多武装土匪（MP-MAB）和组合半土匪。利用这些等价关系，我们得出最佳算法，我们的设置使用现有的算法MP-MABand组合半带。综合生成的数据上的实验验证所提出的算法的性能保证。
2019-10-31 cs.AI cs.LG stat.ML
Randomized Allocation with Nonparametric Estimation for Contextual Multi-Armed Bandits with Delayed Rewards
University of Minnesota（明尼苏达大学）
我们研究了一个多臂强盗问题的协变量设置有可能延迟观察奖励。在对延迟的概率分布进行一些温和的假设下，并使用适当的随机化来选择武器，所提出的策略是强一致的。
2019-09-04 cs.LG math.ST stat.ML
A Permutation-based Model for Crowd Labeling: Optimal Estimation and Robustness
Carnegie Mellon University（卡内基梅隆大学）；University of California, Berkeley（加州大学伯克利分校）
随着众包平台和大规模数据集的出现，聚合和去噪众包标记数据的任务变得越来越重要。我们提出了一个基于置换的人群标记数据模型，这是一个显着的推广经典Dawid-Skene模型，并引入了一个新的误差度量，通过它来比较不同的估计。我们推导出全局极小极大速率的置换为基础的模型，是尖锐的对数因子，并匹配的极小极大下界下得到的更简单的Dawid-Skene模型。然后，我们设计了两个计算效率高的估计：WAN估计的设置，其中工人的能力方面的排序是近似已知的，和OBI-WAN估计，这是未知的。对于每一个这些估计，我们提供了非渐近界的性能。我们对真实世界的众包数据进行了合成模拟和实验，实验结果证实了我们的理论研究结果。
2021-01-10 cs.AI cs.IT cs.LG
Efficient Reinforcement Learning in Resource Allocation Problems Through Permutation Invariant Multi-task Learning
AStar（新加坡科技研究局）；IBM Research（IBM研究院）
现实世界中的强化学习的主要挑战之一是从有限的训练样本中成功学习。我们表明，在某些设置中，可用的数据可以显着增加，通过一种形式的多任务学习，利用任务中的不变性。我们提供了一个理论上的性能界的增益在样本效率在此设置下。这激发了一种新的多任务学习方法，它涉及到一个适当的神经网络架构和优先任务采样策略的设计。我们实证证明了所提出的方法在两个现实世界的顺序资源分配任务中的有效性，这种不变性发生：金融投资组合优化和Meta联邦学习。
2021-02-18 cs.AI cs.LG
Spectrum Bandit Optimization
INRIA（法国国家信息与自动化研究所）；Ecole Normale Superieure（巴黎高等师范学院）；KTH Royal Institute of Technology（瑞典皇家理工学院）
我们考虑在无线网络中分配无线电信道的链接的问题。链接通过干扰进行交互，建模为冲突图（即，两个干扰链路不能在同一信道上同时活动）。我们的目标是确定在有限的时间范围内，最大限度地提高总网络吞吐量的信道分配。如果我们知道每个信道和每个链路上的平均无线电条件，则可以通过求解线性规划（ILP）来获得最优分配。当无线电条件是未知的先验，我们寻找一个顺序的信道分配策略，收敛到最佳的分配，同时最小化的吞吐量损失或{ \it遗憾}的方式，由于需要探索次优分配。我们制定这个问题作为一个通用的线性土匪问题，并分析它首先在随机设置无线电条件是由一个平稳的随机过程驱动，然后在一个对抗设置无线电条件可以任意演变。我们提供了新的算法在这两种设置，并得出上界的遗憾。
2015-02-17 cs.LG cs.NI math.OC
Allocation Requires Prediction Only if Inequality Is Low
University of California, Berkeley（加州大学伯克利分校）；Harvard Society of Fellows（哈佛学会）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Tübingen AI Center（蒂宾根人工智能中心）
该研究提出评估算法预测用于社会资源分配必要性的原则性框架，发现仅在单位间不平等程度低、干预预算高时预测分配才优于基线方法，指出了用预测提升干预效能的潜在局限。
2024-06-19 cs.CY cs.LG econ.TH
