Empirical Bayes Selection for Value Maximization
用于总价值最大化的经验贝叶斯选择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：摘要聚焦经验贝叶斯决策与选择遗憾，未展开因果识别或其他所列领域细分的专门方法。
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
用于总价值最大化的经验贝叶斯选择
- 研究问题
- 面对真实价值的异方差噪声测量，如何从大量单位中选择固定比例的最佳单位，并控制相对已知先验的贝叶斯规则的遗憾？
- 方法与思路
- 作者利用估计先验构造经验贝叶斯选择规则，分析先验估计误差与选择遗憾的关系，并用互联网实验校准先验进行评估。
- 材料陈述的贡献
- 摘要称参数先验下遗憾为 O_p(n^{-1}) 且该阶可达；一般先验误差为 O_p(r_n) 时，遗憾为 O_p(r_n²)。
- 阅读关注点
- 核对遗憾的定义、先验估计误差的度量、选择比例趋于常数所需条件，以及互联网实验校准先验后的评估设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未说明遗憾界的完整条件，不能将其推广到任意先验或选择比例。
原文摘要
We study the problem of selecting the best $m$ units from a set of $n$ as $m / n \to α\in (0, 1)$, where noisy, heteroskedastic measurements of the units' true values are available and the decision-maker wishes to maximize the aggregate true value of the units selected. Given a parametric prior distribution, the empirical Bayes decision rule incurs $O_p(n^{-1})$ regret relative to the Bayesian oracle that knows the true prior. More generally, if the error in the estimated prior is of order $O_p(r_n)$, regret is $O_p(r_n^2)$. In this sense \emph{selection} of the best units is fundamentally easier than \emph{estimation} of their values. We show this regret bound is sharp in the parametric case, by giving an example in which it is attained. Using priors calibrated from a dataset of over four thousand internet experiments, we confirm that empirical Bayes methods perform well in detecting the best treatments with only a modest number of experiments.