基于贝叶斯方法的离散分布下学习增强的滑雪租赁问题

我们通过贝叶斯决策和机器学习预测的视角重新审视经典的滑雪租赁问题。虽然传统算法在没有假设的情况下最小化最坏情况成本，而且最近的学习增强方法利用噪声预测并具备鲁棒性保证，但我们的工作将这些视角统一起来。我们提出了离散贝叶斯框架，维护时间范围内的精确后验分布，实现原则性的不确定性量化和无缝整合专家先验。我们的算法实现先验依赖的竞争保证，并优雅地在最坏情况和完全信息设置之间进行插值。我们的广泛实验评估显示，在不同情景下实现了优异的实证性能，在准确的先验条件下接近最优结果，同时保持鲁棒的最坏情况保证。该框架天然地扩展到整合多个预测、非均匀先验和情境信息，凸显了贝叶斯推理在带有不完美预测的在线决策问题中的实际优势。