我们研究了一个二元决策聚合问题，两位专家根据观测到的关于未知二元世界状态的私人信号提出二元推荐。在专家的推荐观测情况下，一个不知道信号和状态之间联合信息结构的代理人试图将行动与真实状态匹配。我们在该情景下研究了是否能通过二阶信息进一步提高聚合效果，采用最小化后悔的框架来评估聚合器的性能，与一个知道联合信息结构的全知基准进行比较。我们发现通用的信息结构情况下，二阶信息并没有提供任何好处，没有聚合器能够比一个始终遵循第一个专家推荐的平凡聚合器更好。然而，当我们假设专家信号在给定世界状态的条件下相互独立时，积极的结果出现了。对于确定性聚合器，我们提出了一种利用二阶信息的鲁棒聚合器，可以明显优于没有二阶信息的对手。此外，在两个专家是同质的情况下，并在信号上添加一个非退化假设，我们证明使用二阶信息的随机聚合器可以超越没有二阶信息的最优聚合器。在其他情境中，二阶信息没有益处。我们还将上述结果推广到聚合器的效用函数更一般的情况。

Nov, 2023

通过建立一个算法框架，我们提供了一种高效的逼近方案，用于在具有有限信息结构的情况下进行预测聚合，同时考虑了 Lipschitz 条件和离散条件。数值实验表明，我们的方法在所考虑的情景中能够提供几乎最优的聚合器。

Jan, 2024

本文研究了在对手设置下采用几何停止时间进行专家建议的预测经典问题。对于 2 个专家的情况，Cover 提出了最优算法。对于三个专家的情况，我们设计了最优算法和对手，并证明了该算法与一个特定的随机对手的概率匹配算法（类似于汤普森抽样）是最优的，该证明显示概率匹配算法不仅针对这个特定的随机对手是最优的，而且是极小化的。同时我们通过主对偶（primal-dual) 方法同时发展了上限和下限，并为任意数量的专家设计了最优算法和对手的通用框架。

Sep, 2014

研究通过设计具有不同能力的裁判来加权专家，以改善二进制投票问题中的正确率，最终展示在从共同分布中 i.i.d. 抽取的已知能力不确定的一组代理的优化划分，可以更好地解决问题。

Nov, 2022

研究了多个质量不同的信号来源的信号聚合问题，旨在通过不同质量来源的离散报告，构建一个公正权重的最优聚合模型。

Jun, 2022

本文旨在解决半监督二分类集合聚合问题，以最小化在未标记数据上产生的预测损失，并找到了一类最小 - 最大最优预测。结果是一组半监督集合聚合算法，能像线性学习一样高效，但无需放松任何限制。它们的决策规则采用决策理论中熟悉的形式，将 Sigmoid 函数应用于集合边缘的概念，而不需要通常在基于边缘的学习中做出的假设。

Oct, 2015

本论文探讨了一种统计方法，利用专家的意见而无需真实的事实来推断每位专家的能力，并利用众人之智的原理测量每位专家的能力，进而提出一种完全无监督的朴素贝叶斯分类器的技术，并证明该技术在大类问题中是渐进最优的。同时，将该方法应用于大规模意见聚合、基于有限意见的决策制定。

Aug, 2023

在对抗式多臂赌博机中，攻击者通过攻击策略干扰损失或奖励信号，以实现对受害者赌徒玩家的行为控制。我们向攻击者显示，攻击者能够引导任何无憾对抗性赌博算法，在每轮之外的几乎所有轮次中选择次优目标臂，而仅产生次线性的攻击成本。这个结果意味着在现实世界中，基于赌博机的系统中存在重要的安全问题，例如，在线推荐中，攻击者可能能够劫持推荐系统并推广所需的产品。我们提出的攻击算法只需要了解后悔率，因此对受害方使用的具体赌博算法没有任何限制。此外，我们还推导了任何受害者不可知攻击算法必须产生的理论下限，并与我们的攻击产生的上限匹配，这表明我们的攻击在渐近意义下是最优的。

Jan, 2023

通过使用多个专家的集合，其中专业按混淆矩阵定义，我们发现在存在对抗实例的情况下，专家集合能更好地识别和拒绝愚弄实例，通过拒绝机制使系统更加鲁棒，而不是试图以任何代价正确地对抗其进行分类。

Feb, 2017

论文研究了预测问题和多臂老虎机问题两个具有序列决策的基本问题。特别地，我们关注当对手可能篡改损失时的随机机制，并研究能够实现的鲁棒性水平。本文的主要贡献在于表明，最佳鲁棒性可以通过对所涉及的污染量的平方根依赖来表达。此外，我们还提供了下限，表明上述遗憾边界是紧的。最后，对于多臂老虎机问题，我们还提供了一个近似紧密的下限。

Sep, 2021