研究人员开发了一种新的、以效益为驱动的随机优化顺序数据收集框架。该方法平衡了获取数据的成本与获得的信息，利用贝叶斯学习在获得新观测值时更新信念。该框架提出了停止策略，将额外数据的预期边际效益与采样成本进行评估，从而在不再具有成本效益时允许决策者停止采样。在报童问题上进行测试，这些自适应停止规则在保持近乎最优的决策性能的同时，显著减少了不必要的数据收集。 AI
影响 这项研究可能导致在人工智能驱动的优化任务中更有效地利用数据，降低成本并改善决策。
排序理由 详细介绍优化问题中数据收集新方法的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
