提出了一种基于工具变量的方法,通过二进制工具变量帮助确定无未测混杂作用的最优治疗方案,同时构造了新型的多重稳健分类估计器,该方法通过对育儿对劳动参与的影响数据的应用进行了说明。
Nov, 2019
研究说明在互联网经济和医疗决策等环境中,每个决策者对信息进行开采利用,并产生可能有助于未来决策的信息,社会规划者通过信息披露来鼓励代理商在探索和开采之间取得平衡,从而最大化社会福利,文中提供了一个多臂赌博问题的激励兼容算法,其遗憾在所有多臂赌博算法中(不管是否具有激励兼容性)是渐进最优的。
Feb, 2015
本文提出了一种理解算法激励作用的数学框架,将其视为解决马尔可夫决策过程的挑战,并借助求解 MDP 的工具包 (如树形规划、强化学习) 来识别每个人在给定模型下受到激励的最佳动作, 并通过两个真实世界环境下的实例展示了该方法的实用性。
Oct, 2019
该研究考虑利用 Bayesian Exploration 方法设计推荐系统,通过信息不对等来鼓励用户进行探索,此外还将用户分为不同类型,以实现最佳的个性化推荐。
Feb, 2019
人工智能适应个体队友的互动对团队优化至关重要,但是我们的研究表明,初始行为的差异比自我报告的信任态度更具预测性,这也展示了更易获取的行为度量尺度有望为人工智能提供更准确的模型。
Feb, 2023
使用推荐机制实现不完全信息环境中完全信息博弈的均衡,基于差分隐私提出的联合差分隐私算法可用于满足所需的推荐机制的激励性质和隐私特性。
Jul, 2012
通过结合工具变量和观测数据,本文提出了一种可靠的方法来估计存在观测数据中的未观察混淆以及工具变量数据中的低合规性(包括某些子群体的零合规性)的条件平均处理效应(CATEs)。
Jun, 2024
动态治疗方案中的非合规问题的非参数识别、估计和推断
May, 2024
该研究旨在了解推荐算法对未来用户数据的影响,通过提出一个简单模型,表明忽略这个反馈循环将导致非一致性评估器,因此验证了我们的结论。
Mar, 2017
本文研究算法决策,分析了在社会不平等的情况下,一方面面临更高的成本的候选群体可能会被错误地排除,而另一方面面临更低成本的候选群体可能会被错误地接受。本文还探讨了给予补贴的干预效果,发现某些情况下给予补贴只会提高算法决策者的效用,但实际上会损害所有候选群体的利益,包括补贴接收者。
Aug, 2018