Enhancing Preference-based Linear Bandits via Human Response Time
利用人类反应时间改进基于偏好的线性老虎机学习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：摘要围绕成对选项的二元选择及其背后的偏好与效用估计展开，直接涉及离散选择。
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…
利用人类反应时间改进基于偏好的线性老虎机学习
- 研究问题
- 在通过成对选项的二元选择学习人类偏好时，反应时间能否补充偏好强度信息，并提高固定预算下的最优臂识别效率？
- 方法与思路
- 作者基于心理学的 EZ 扩散模型，将选择结果与反应时间共同用于效用函数估计，再将估计器嵌入基于偏好的线性老虎机算法。
- 材料陈述的贡献
- 摘要称，在偏好较强的查询中，反应时间提供额外的强度信息；理论分析和三个真实数据集上的模拟支持效用估计与学习速度的改善。
- 阅读关注点
- 应核对反应时间与偏好强度关系的模型条件、效用估计的理论保证，以及固定预算实验如何控制查询策略和比较方法的差异。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明理论条件、加速幅度及不同人群中的适用边界。
原文摘要
Interactive preference learning systems infer human preferences by presenting queries as pairs of options and collecting binary choices. Although binary choices are simple and widely used, they provide limited information about preference strength. To address this, we leverage human response times, which are inversely related to preference strength, as an additional signal. We propose a computationally efficient method that combines choices and response times to estimate human utility functions, grounded in the EZ diffusion model from psychology. Theoretical and empirical analyses show that for queries with strong preferences, response times complement choices by providing extra information about preference strength, leading to significantly improved utility estimation. We incorporate this estimator into preference-based linear bandits for fixed-budget best-arm identification. Simulations on three real-world datasets demonstrate that using response times significantly accelerates preference learning compared to choice-only approaches. Additional materials, such as code, slides, and talk video, are available at https://shenlirobot.github.io/pages/NeurIPS24.html