本文研究了使用结构化效用模型进行复杂多属性效用函数的有效表示和引导。通过使用广义加性独立模型作为用户偏好的结构模型，我们提出了一种仅使用 “局部” 效用查询而不是全局查询来引导这些模型参数的方法。同时，我们采用了简单易行的策略，将此方法扩展到将效用参数的不确定性概率表示。最后，我们通过一种我的信息价值方法来实验验证该方法。

Jul, 2012

本文提出了一种生成对抗网络方法，用于在普遍和现实环境中近似解决鲁棒效用优化问题，该方法适用于任何连续效用函数，能够在存在交易成本的实际市场环境中使用可观测市场信息进行训练，并表现出与最优参考策略相当的性能，并且对于没有已知最优策略的情况下，该方法优于所有其他参考策略。此外，该文还揭示了在具有交易成本的情况下，学习最优（非）鲁棒投资的生成方法能够生成可以广泛应用于理想化环境的渐近策略的替代选择。

Mar, 2024

本文针对多臂赌博机问题中存在的多元反馈进行研究，通过使用广义 Gini 指数聚合函数对多目标在线优化问题进行形式化，并提出了一种在线梯度下降算法来解决该问题。该算法利用 GGI 聚合函数的凸性，通过精心控制探索来实现分布自由的回归。在合成数据和电池控制问题上进行测试，可以有效地平衡不同细胞的退化速率。

Jun, 2017

在实践中，决策者经常面临着不同的风险偏好和不确定性的情况，传统的风险中性强化学习框架无法很好地捕捉到这些情况。本文提出了一种利用泛化的效用函数来解决风险敏感的强化学习问题的方法，并设计了可实现的近似算法来求解该问题。

Nov, 2023

本文分析使用高斯过程进行序列全局优化的一种通用算法方案，我们得出的累积遗憾的上限较之前已知的算法（如 GP-UCB）有指数倍的改善。我们还介绍了一种新颖的高斯过程互信息算法（GP-MI），它显著进一步提高了累积遗憾的上限。我们通过与自然竞争者 GP-UCB 和期望改进算法在合成和实际任务上的效率来证实此算法的有效性。

Nov, 2013

本文研究了多个输出之间具有复杂结构依赖关系的多认真贝叶斯优化，并提出了 MF-MI-Greedy，一种解决此问题的原则算法框架。

Nov, 2018

使用鲁棒的参数效用学习框架，将用户交互建模为非合作博弈，并通过集成方法扩展来提高预测性能。应用于鼓励用户节能行为的社交游戏实验中，表现出良好的性能。

Apr, 2017

本文探讨了基于参数化建模的 {General Random Utility Models (GRUMs)}，并基于贝叶斯实验设计的原则提出了两种 GRUMs 的偏好引导方案，其中之一适用于社会选择，另一种适用于个性化选择。我们还结合 Monte-Carlo-Expectation-Maximization (MC-EM) 方法提出了一种进行 GRUMs 下的 MAP 推断的算法。同时，我们证明了一类 GRUMs 的似然函数单峰性，并通过实验研究的性能表现证明了所提出引导方案提高了估计的精度。

Sep, 2013

研究预测与专家建议，探讨误差函数选择和混合算法来达到常数后悔的预测结果。还提出广义聚合算法及其相应的混合损失函数，使用 Shannon 熵获得了最低的最差情况后悔率，并进一步提出了基于镜像下降算法的自适应聚合算法。

Feb, 2018

离散选择模型是一个强大的框架，用于分析决策行为，为决策者和企业提供有价值的洞察。GAUNet 是一种基于广义可加模型的神经网络结构的效用函数，用于离散选择模型。在东京的旅行调查数据上，我们的模型与 ASU-DNN 在准确性上相当，并且相对于以前的模型在解释性上有所改善。

Sep, 2023