团队组建中的探索与利用
机器学习
2018-10-16 v2 人工智能
机器学习
摘要
在线劳动力平台面临一个在线学习问题：将工作者与工作任务进行匹配，并利用这些任务上的表现来创造更好的未来匹配。随着网页开发和产品设计等需要工作者团队完成的复杂任务在这些平台上的兴起，该学习问题变得复杂。如今，任务的成功取决于所有参与工作者的技能与贡献，而平台和发布任务的客户可能均不知晓这些信息。这些团队匹配导致关于个体的已知信息之间存在结构化相关性，该信息可被用于创造更好的未来匹配。我们分析了两种自然设定，其中团队的表现分别由其最强和最弱成员决定。我们发现这两个问题都提出了一种探索-利用权衡，即在了解未测试团队的表现与重复先前测试中表现良好的团队之间权衡。我们建立了基本的后悔界，并设计了近最优算法，从而揭示了关于这些权衡的若干见解。
引用
@article{arxiv.1809.06937,
title = {Exploration vs. Exploitation in Team Formation},
author = {Ramesh Johari and Vijay Kamble and Anilesh K. Krishnaswamy and Hannah Li},
journal= {arXiv preprint arXiv:1809.06937},
year = {2018}
}