查询并非承诺：在在线延迟决策中学习修正专家答案

arXiv:2610.07084v1 公告类型：cross 摘要：不准确的专家在经过修正后仍然可以提供有用信息。我们研究在线延迟决策学习：学习者选择一名专家，并在购买其答案前确定一个修正函数，然后将该函数应用于收到的答案。困难在于，观测到的损失同时反映了专家质量和未完成的修正：早期错误可能会使学习者放弃查询那些在学会修正后本来具有价值的答案。我们提出 ORUCB，该方法汇集共享多项式响应和专家特定的多项式响应。关于累积响应学习误差的界限可以校准置信度加权的风险回归与探索，使路由器在决定购买哪些答案时能够考虑这一误差。在残差和分歧有界、存在一个固定的最优响应可行模型，以及免费风险和最优查询风险均采用线性模型的条件下，对于固定的问题参数，该校准算法在 $T$ 轮中以高概率达到伪遗憾 $O(\sqrt T\log(T+1))$。该保证允许答案分布是奇异的，也允许共享响应存在模型设定错误；最优性是相对于有界响应类而言的。在四个测试流上，所选的三次策略的含费用成本低于七个原样部署答案的基线方法。与一种常见修正学习器的比较考察了路由效果，而六种价格下的比较则衡量了成本和查询率。