Improving Robust Decisions with Data
利用数据改进稳健决策AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要属于一般稳健决策与统计推断理论，未提供足以归入所列具体应用方向的依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用数据改进稳健决策
- 研究问题
- 当真实数据生成过程仅已知属于某个候选集合时，何时能利用数据改进最坏情形决策，并对集合内每个真实过程提高预期收益？
- 方法与思路
- 作者考虑相互独立但可能不同分布的数据序列，以最坏情形预期收益定义稳健决策，刻画数据改进条件并设计推断程序。
- 材料陈述的贡献
- 摘要称给出稳健决策获得客观改进的条件和实现方法，并指出最大似然等常用方法可能无法保证这种逐个真实过程的改进。
- 阅读关注点
- 应核对候选过程集合、收益函数与改进标准的精确定义，以及推断程序是否具有有限样本保证或仅有渐近性质。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实。摘要未说明改进条件、具体程序及应用领域，不能推断其适用于任意决策问题。
原文摘要
A decision-maker faces uncertainty governed by a data-generating process (DGP), which is only known to belong to a set of sequences of independent but possibly non-identical distributions. A robust decision maximizes the expected payoff against the worst possible DGP in this set. This paper characterizes when and how such robust decisions can be \emph{objectively} improved with data -- that is, yield higher expected payoffs under the true DGP regardless of which DGP is the truth. It further develops simple and novel inference procedures that achieve such improvement, while common methods (e.g., maximum likelihood) may fail to do so.