研究提出奖励不可观测下的激励学习框架

研究提出一种在奖励不可观测场景下的重复逆向选择博弈框架：自利的学习型智能体用多臂老虎机（MAB）问题最大化期望奖励加激励，学习型委托方则并行训练算法，在估计智能体未知奖励与通过自适应激励最大化自身效用之间权衡。

研究多臂老虎机框架下的重复委托-代理博弈：委托方为每个臂设置不同激励，智能体选择使自身期望奖励加激励最大化的臂，而委托方无法直接观测智能体获得的奖励。作者先构造智能体各臂期望奖励的估计器（可视为 MAB 中的在线逆优化），再据此设计策略，并证明在智能体完全知晓自身期望奖励时达到低遗憾（至多对数因子的平方根遗憾）。数值模拟展示了该框架在长期他汀类药物治疗的个性化依从性激励设计中的应用。