Fugu-MT 論文翻訳(概要): Information Design with Unknown Prior

論文の概要: Information Design with Unknown Prior

arxiv url: http://arxiv.org/abs/2410.05533v4
Date: Tue, 30 Sep 2025 03:24:18 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-01 17:09:03.850537
Title: Information Design with Unknown Prior
Title（参考訳）: 未知の事前情報設計
Authors: Ce Li, Tao Lin,
Abstract要約: オンラインプラットフォームのような情報デザイナーは、レシーバーの信念を知らないことが多い。学習アルゴリズムを設計し、情報デザイナーが反復的なインタラクションを通じて、受信者の行動から事前の信念を学習できるようにする。
参考スコア（独自算出の注目度）: 8.622826035546668
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Information designers, such as online platforms, often do not know the beliefs of their receivers. We design learning algorithms so that the information designer can learn the receivers' prior belief from their actions through repeated interactions. Our learning algorithms achieve no regret relative to the optimality for the known prior at a fast speed, achieving a tight regret bound $\Theta(\log T)$ in general and a tight regret bound $\Theta(\log \log T)$ in the important special case of binary actions.
Abstract（参考訳）: オンラインプラットフォームのような情報デザイナーは、レシーバーの信念を知らないことが多い。学習アルゴリズムを設計し、情報デザイナーが反復的なインタラクションを通じて、受信者の行動から事前の信念を学習できるようにする。我々の学習アルゴリズムは、既知の事前の最適性に対して、高速で後悔せず、一般には、厳密な後悔付き$\Theta(\log T)$と、双対作用の重要な特別な場合において、厳密な後悔付き$\Theta(\log \log T)$を達成している。

関連論文リスト

Contractual Reinforcement Learning: Pulling Arms with Invisible Hands [68.77645200579181]
本稿では,契約設計によるオンライン学習問題において,利害関係者の経済的利益を整合させる理論的枠組みを提案する。計画問題に対して、遠目エージェントに対する最適契約を決定するための効率的な動的プログラミングアルゴリズムを設計する。学習問題に対して,契約の堅牢な設計から探索と搾取のバランスに至るまでの課題を解き放つために,非回帰学習アルゴリズムの汎用設計を導入する。
論文参考訳（メタデータ） (2024-07-01T16:53:00Z)
Learning How to Strategically Disclose Information [6.267574471145217]
送信者が未知のタイプの受信機と対話する情報設計のオンライン版を考える。我々は、$mathcalO(sqrtT)$ regretが完全な情報フィードバックで達成可能であることを示す。また,一般凸ユーティリティ関数に対して$mathcalO(sqrtT)$ regretを送信者が達成できる新しいパラメトリゼーションを提案する。
論文参考訳（メタデータ） (2024-03-13T17:44:16Z)
Inverse Problems with Learned Forward Operators [2.162017337541015]
本章は、2つの異なるパラダイムに従う学習前方演算子による逆問題における再構成手法についてレビューする。射影による正規化の枠組みは、再構成を見つけるために使われる。両方のメソッドは、フォワード演算子だけでなく、アジョイントのためにもトレーニングデータを必要とする。
論文参考訳（メタデータ） (2023-11-21T11:15:14Z)
Information Design in Multi-Agent Reinforcement Learning [61.140924904755266]
強化学習(Reinforcement Learning、RL)は、人間の幼児や動物が環境から学ぶ方法にインスパイアされている。計算経済学の研究は、他者に直接影響を与える2つの方法を蒸留する: 有形物(機械設計)の提供と情報(情報設計)の提供である。
論文参考訳（メタデータ） (2023-05-08T07:52:15Z)
Learning to Incentivize Information Acquisition: Proper Scoring Rules Meet Principal-Agent Model [64.94131130042275]
インセンティブ付き情報取得問題について検討し、主治官がエージェントを雇って代理情報を収集する。 UCBアルゴリズムをモデルに適合させる,実証可能なサンプル効率の良いアルゴリズムを設計する。本アルゴリズムは,主役の最適利益に対する微妙な推定手順と,所望のエージェントの行動にインセンティブを与える保守的な補正手法を特徴とする。
論文参考訳（メタデータ） (2023-03-15T13:40:16Z)
Sequential Information Design: Learning to Persuade in the Dark [49.437419242582884]
本研究では,自己関心の受信者の行動に影響を及ぼそうとする情報発信者が直面する繰り返し情報設計問題について検討する。各ラウンドにおいて、送信者は、シーケンシャル意思決定(SDM)問題におけるランダムイベントの実現を観察する。これは、そのような情報をレシーバーに段階的に開示し、彼らが(望まれる)アクションレコメンデーションに従うように説得する方法の課題である。
論文参考訳（メタデータ） (2022-09-08T17:08:12Z)
Dueling RL: Reinforcement Learning with Trajectory Preferences [30.011965198486635]
好みに基づく強化学習(PbRL)の問題を考える。従来の強化学習とは異なり、エージェントは1ビット(0/1)の好みでのみフィードバックを受け取る。本稿では,PbRL問題に非マルコフ的報酬を伴う形式的枠組みを定め,次元$d$の一般化線形モデルにより軌道の選好を符号化する。
論文参考訳（メタデータ） (2021-11-08T22:17:36Z)
Multi-Receiver Online Bayesian Persuasion [51.94795123103707]
本研究では,未知の逆選択型の受信者に対して,送信者が繰り返し対面するオンライン学習フレームワークについて検討する。オフラインモデルの慣習として、外部性やバイナリアクションのないケースに重点を置いています。本稿では,損失関数を有限個に制限したオンライン学習問題に対処する一般的なオンライン降下スキームを提案する。
論文参考訳（メタデータ） (2021-06-11T16:05:31Z)
Deep Feedback Inverse Problem Solver [141.26041463617963]
逆問題に対する効率的で効果的で汎用的なアプローチを提案する。我々は、フォワードプロセスが提供するフィードバック信号を活用し、反復的な更新モデルを学ぶ。私たちのアプローチは前もってのプロセスに制限がなく、事前の知識も必要ありません。
論文参考訳（メタデータ） (2021-01-19T16:49:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。