Aug, 2014

具有战略数据来源的最佳统计估计

PDF
TL;DR提出一种最优机制，为统计估算器的数据源提供货币激励，以低成本提供高质量的数据，使支付总额和估算误差最小，广泛应用于线性回归和多项式回归，核回归和岭回归等估算器，并应用于各种目标，包括在预算限制下减少估算误差。
data sourcesmonetary incentivesstatistical estimatormechanism designregression problems
发现论文，激发创造
  • 使用影响函数奖励高质量数据

    本文介绍了一种针对众包数据采集的新方案，在线性回归模型中设计了一种激励机制，旨在促使代理提供高质量数据，并证明了该方案确保了数据报告的真实性和鲁棒性，同时并对影响与总损失的差异进行了矫正，实现了有效的数据收集。

    Aug, 2019

  • 惩罚估计在统计线性估计中的应用：强化学习

    探讨线性逆问题的正则化估计，提出一种不需要数据分割的正则化参数选择方法，研究结果为强化学习中线性价值函数估计提供了新的理解和限制。

    Jun, 2012

  • 贝叶斯回归市场

    机器学习任务对输入数据的质量很敏感，但是企业往往难以获得足够的数据集，这些数据集通常在不同的所有者间进行自然分布，这些所有者在实践中可能是下游市场的竞争对手，且不愿意共享信息。我们提出了一种基于贝叶斯框架的回归市场机制，为数据共享提供了经济激励，以解决监督学习回归任务中的这些挑战。我们对市场性质进行了全面的研究，并表明当前文献中类似建议暴露了市场参与者的巨大财务风险，而我们的概率设置可以减小这些风险。

    Oct, 2023

  • 逆优化数据驱动的平衡估计

    本文介绍了一种基于逆优化及变分不等式理论的数据驱动方法，用于估计在平衡模型中难以估计的参数，包括游戏中玩家的收益函数和道路网络中的拥挤函数，并使用统计学习方法进行参数化和非参数化估计。经过计算实验，结果表明该方法能够有效地估算出未知的需求或拥挤函数，并且我们提出的正则化技术大大提高了我们估算器的外样性能。

    Aug, 2013

  • 结合实验和历史数据进行政策评估

    本文研究了使用多个数据源进行政策评估的方法，特别是在一个包含两个实验群体的实验数据集，并补充了一个由单一对照群体生成的历史数据集的情景中。我们提出了一种新颖的数据集成方法，线性地整合基于实验数据和历史数据构建的基于政策值的估计器，通过优化权重以最小化结果估计器的均方误差（MSE）。我们进一步应用悲观原则来获得更加鲁棒的估计器，并将这些方法扩展到顺序决策制定。从理论上讲，我们建立了我们提出的估计器的非渐近误差界，并推导出在广泛的奖励变动情景下其适用性、效率和鲁棒性属性。来自一家共享出行公司的数值实验和基于真实数据的分析证明了所提出估计器的卓越性能。

    Jun, 2024

  • 社会选择中隐私保护和统计精度的经济分析

    提出了一种经济解决方案，通过运用计算机科学中的生产模型来降低公布数据的隐私成本，达到精确统计和保护隐私的双重目标。在美国统计项目中应用了这一框架，但更好的理解隐私和统计准确性的购买意愿，对此提出了一个需要进一步探讨的方向。

    Aug, 2018

  • 多信息源优化

    针对黑盒函数优化问题，本文提出了一种新算法，通过价值信息分析决策，处理了由模型差异和噪音观测所带来的不确定性，并在实验中验证了其相对其他先进技术具有更高的目标价值和更少的探索成本。

    Mar, 2016

  • 真实线性回归

    研究了如何在保护隐私的前提下，通过采用不同隐私保护机制和支付方案，解决线性模型和差分隐私计算会带来估计偏差的问题。

    Jun, 2015

  • 利用线性矩估计间接监督

    为解决间接监督问题中最大边缘似然性面临的两个计算障碍，本文提出了一种基于线性系统求解特定模型的充分统计量的方法，从而通过凸优化来估算参数。同时，本文阐述了该方法的统计特性，并通过在本地隐私约束条件和低成本计数注释双方面的实验表明了该方法的有效性。

    Aug, 2016

  • 因果策略线性回归

    本文提出了在实现线性设置中优化三种不同决策者目标的决策规则的有效算法，包括准确预测智能体事后结果 (预测风险最小化)，激励智能体改进这些结果 (智能体结果最大化)，以及估计真实基础模型的系数 (参数估计)。其中的算法绕过了 Miller 等人的一个困难结果，允许决策者测试一系列决策规则并观察智能体的响应，从而通过决策规则实现因果干预。

    Feb, 2020