发表机构
Toyota Technological Institute at Chicago; Stanford University（芝加哥丰田技术研究所; 斯坦福大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
研究将激励兼容探索扩展至超越贝叶斯完全信息设置，考虑代理人有外部未知信息的情况，引入新激励探索概念，让代理人选合理行动，其框架能稳健处理平局，还扩展到代理人缺乏共同先验的设置。
AI 中文摘要
我们将激励兼容探索扩展到超越Kremer等人[2014]的贝叶斯完全信息设置。我们考虑代理人可能拥有委托人未知的外部信息的情况。我们表明这种设置需要新的激励探索概念，并且要超越贝叶斯视角。我们引入一个定义，即代理人选择任何合理（非劣势）行动。此外，我们的框架能更稳健地处理平局情况，并扩展到代理人缺乏单一共同先验，仅知道奖励分布属于潜在先验集合的设置。
英文摘要
We extend Incentive Compatible Exploration beyond the Bayesian full-information setting of Kremer et al. [2014]. We consider agents that may possess external information unknown to the principal. We show such settings require new notions of incentivized exploration, as well as going beyond a Bayesian perspective, and we introduce a definition where agents choose any reasonable (undominated) action. Furthermore, our framework provides for a more robust treatment of ties, and extends to settings where agents lack a single common prior and instead only know that reward distributions belong to a collection of potential priors.
Comments30 pages, 5 figures
