Optimal stopping of sequential size-dependent search
规模依赖序贯搜索的最优停止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：摘要研究一般序贯搜索和软件可靠性中的停止决策，未明确对应所列计量领域细分。
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
规模依赖序贯搜索的最优停止
- 研究问题
- 当有限总体中个体被发现的概率与随机规模属性成比例时，如何权衡搜索时间、已发现个体及未发现个体的成本，并决定停止时点？
- 方法与思路
- 作者在总体规模增长的渐近框架下分析期望损失，在相关正则性与凸性条件下刻画停止规则，并允许初始总体规模及属性分布未知。
- 材料陈述的贡献
- 摘要称，方法刻画了这类搜索的渐近最优停止规则，并涵盖修复时可能引入新缺陷的软件调试情形，另以完全调试数据作示例。
- 阅读关注点
- 应核对规模属性的可观测性、损失函数条件、未知总体参数的处理，以及不完全调试与完全调试示例之间的理论适用差别。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要，具体停止算法与正则条件未说明；不能将渐近最优性理解为任意有限总体下的最优保证。
原文摘要
In many areas of application, one searches within finite populations for items of interest, where the probability of sampling an item is proportional to a random size attribute from an i.i.d. superpopulation of attributes which may or may not be observable upon discovery. Here we treat the problem of asymptotically optimal stopping rules for size-dependent searches of this type, as the size of the underlying population grows, where the loss function includes an asymptotically smooth time-dependent cost, a constant cost per item sampled and a cost per undiscovered item which may depend on the size attribute of the undiscovered item. Under some regularity and convexity conditions related to the asymptotic expected loss, we characterize asymptotically optimal rules even when the initial population size and the distribution of size attributes are unknown. We direct especial attention to applications in software reliability, where the items of interest are software faults ("bugs"). In this setting, the size attributes will not be observable when faults are found, and, in addition, our search model allows new bugs to be introduced into the software when faults are detected "imperfect debugging"). Our results extend those of Dalal and Mallows and Kramer and Starr, and are illustrated in the perfect-debugging case on a previously analyzed dataset of Musa.