本文探讨了如何从单调偏好数据中学习效用函数，提供了用于多种重要类别的样本复杂度保证和有效算法，并使用最近多类学习的进展和有关线性价格模型的紧密联系，提出了一种解决线性效用函数学习问题的高效算法。(Sample complexity guarantees and efficient algorithms are provided for learning utility function from revealed preference data, and a computationally efficient algorithm with tight sample complexity guarantees is proposed for learning linear utility functions under a linear price model).

Jul, 2014

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

本论文研究了将分类技术应用于效用调查中，通过识别与先前收集的效用函数数据库相关的群集来确定新用户的效用函数，从而减少全面求取用户效用的困难，并且在产前诊断领域的实验结果是相当有前途的。

Jan, 2013

线性效用函数从成对比较查询中的可学习性研究。具体来说，我们考虑两个学习目标：首先是预测成对比较的样本外响应，其次是近似恢复效用函数的真实参数。我们证明在线性效用在被动学习设置下是高效可学习的，无论查询响应是否受到噪声干扰，并且在分布足够 “好” 的条件下，即使存在 Tsybakov 噪声。相比之下，我们证明对于一大类数据分布而言，在没有强建模假设的情况下，即使查询响应是无噪声的，效用参数也无法被学习。接下来，我们分析主动学习设置下的学习问题。在这种情况下，我们证明即使对于第二个目标，也可以高效学习，并提出了适用于无噪声和有噪声查询响应设置的算法。因此，我们的结果展示了成对偏好查询中被动学习和主动学习之间的质的可学习差距，展示了选择成对查询进行效用学习的价值。

May, 2024

本文从学习的角度考虑了揭示偏好问题。对于具有线性评估函数以及具有线性可分、具有有界二阶导数的评估函数的代理，我们提供了具有多项式样本复杂度的有效算法。

Nov, 2012

本文研究在在线学习中从揭示的偏好中学习的问题，提出了有效的算法用于商家的价格优化，通过强假设商品收益函数的形式，实现了揭示偏好问题的高效算法，并实现了学习和盈利最大化。

Jul, 2014

提出了一种贝叶斯优化方法，用于在具有昂贵目标函数的多目标优化问题中确定最优解，通过交互方式自适应地估计 DM 的贝叶斯偏好模型，并利用获得的偏好信息进行主动学习，从而有效地在基准函数优化和机器学习模型的超参数优化问题中找到最优解。

Nov, 2023

本文研究了基于成本敏感的多保真贝叶斯优化算法用于高效的超参数优化问题，引入了用户预定义的效用函数来描述成本和性能之间的权衡，并提出了一种新的获取函数和停止准则以动态选择每个步骤的最佳配置，并最大程度地提高未来效用，同时自动终止优化过程，通过转移学习提高学习曲线外推方法的样本效率，能够捕捉不同配置之间的相关性，为多保真贝叶斯优化提供合理的代理函数，并在各种学习曲线数据集上验证算法，优于现有基线方法，实现更好的成本和性能的权衡。

May, 2024

本文提出了一种基于贝叶斯优化和偏好探索的框架，通过实时采用基于成对比较的交互式学习和使用基于学习到的 DM 效用和结果的组合模型的贝叶斯优化来进行昂贵评估实验的优化。通过详细的模拟研究验证了偏好探索策略的表现。

Mar, 2022

我们提出了一种以人为中心的交互式超参数优化方法，旨在从用户中提取优化指标并引导优化，通过学习比较不同帕累托前沿以选择适当的质量指标进行改进，在 ML 环境影响评估中验证了该方法的有效性。

Sep, 2023