MADDM：通过效用最大化的多顾问动态二元决策
人工智能
2023-05-16 v1
摘要
能够从多个不完美顾问的响应中推断真实情况，是许多决策应用(如借贷、交易、投资与众包)中的关键问题。然而在实践中，从一组顾问处收集答案具有成本。因此，寻找一种能获取可靠答案并最大化整体效用的顾问选择策略是一个具有挑战性的问题。为解决该问题，我们提出一种新策略，用于在顺序二元决策设定中最优选择一组顾问，其中需随时间做出多个决策。关键的是，我们假设无法获取真实情况且无关于顾问可靠性的先验知识。具体而言，我们的方法考虑如何同时(1) 通过平衡顾问成本与正确决策的收益来选择顾问，(2) 在无先验信息情况下通过询问多位顾问动态学习顾问可信度，以及(3) 在无法获取真实情况的情形下做出最优决策并随时间改进。我们通过若干数值实验评估算法。结果表明，我们的方法优于结合当前最优模型的另外两种方法。
引用
@article{arxiv.2305.08664,
title = {MADDM: Multi-Advisor Dynamic Binary Decision-Making by Maximizing the Utility},
author = {Zhaori Guo and Timothy J. Norman and Enrico H. Gerding},
journal= {arXiv preprint arXiv:2305.08664},
year = {2023}
}