众包中的贝叶斯最优努力分配：界限与索引策略
机器学习
2016-01-01 v1 人工智能
机器学习
摘要
我们考虑众包中的努力分配问题，希望将标注任务分配给不完美的同质众包工人，以在连续时间贝叶斯设置下、受预算和时间约束地最大化总体准确率。该问题的贝叶斯最优策略是部分可观测马尔可夫决策过程的解，但维度灾难使得计算不可行。基于 Adelman & Mersereau (2008) 的拉格朗日松弛技术，我们提供了该贝叶斯最优策略值的一个计算上易处理的实例相关上界，这进而可用于界定任何其他次优策略的最优性差距。在类似于 restless multiarmed bandits 的 Whittle 索引的思路下，我们提供了众包中努力分配的索引策略，并通过数值证明它优于其他最先进方法，且表现接近最优解。
引用
@article{arxiv.1512.09204,
title = {Bayes-Optimal Effort Allocation in Crowdsourcing: Bounds and Index Policies},
author = {Weici Hu and Peter I. Frazier},
journal= {arXiv preprint arXiv:1512.09204},
year = {2016}
}