A Class of Bayesian Models for Optimal Exploration
最优探索的一类贝叶斯模型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。
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：摘要研究贝叶斯搜索与序贯决策，未涉及所列离散选择或结构估计模型。
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
最优探索的一类贝叶斯模型
- 研究问题
- 多个地点含有未知数量的有价值物品，搜索会发现并移走部分物品时，如何分配搜索努力以最大化预期回报？
- 方法与思路
- 作者将搜索分配表述为贝叶斯序贯决策问题，并研究单次发现数量服从条件二项分布时的模型与策略关系。
- 材料陈述的贡献
- 摘要称该问题中指数策略具有最优性，并指出物品数量先验的尾部行为对理解策略结构起重要作用。
- 阅读关注点
- 应核对指数策略最优性的目标与条件、发现概率和后验更新机制，以及不同先验尾部如何改变搜索决策。
- 阅读边界
- 仅据Crossref所给摘要；搜索成本、时间安排及最优性条件未说明，不能推断任意探索问题均适用指数策略。
原文摘要
SUMMARY Each of several locations contains an unknown number of objects of value. A single search of a location will discover some of these objects which are then removed. Discoveries yield rewards. A ‘distribution of effort’ problem is posed concerning how to explore the locations optimally—i.e. to maximize the expected return from discoveries made. This is formulated as a Bayes sequential decision problem for which index policies are optimal. A natural simple case is one in which, conditionally on the number of undiscovered objects at a location N, the number of discoveries made in a single search is binomial B(N, p) where p is a detection rate. For this case, we can gain considerable insight into how model structure relates to policy structure. The tail behaviour of the priors for the number of objects at each location plays an important role.