Séance de cours

Inférence statistique pour les données de Bandit

Description

Cette séance de cours couvre l'inférence statistique pour les données sur le banditisme, en mettant l'accent sur les actions de traitement personnalisées dans les études de prise de décisions séquentielles. Il traite des problèmes de banditisme contextuels, de la pondération adaptative dans les moindres carrés et des défis des estimateurs standard sur les données de banditisme. L'instructeur présente des simulations avec des récompenses continues et binaires, des régions de confiance et le rôle des poids adaptatifs. La séance de cours se termine par une discussion sur le modèle de mauvaise spécification, l'inférence causale et la minimisation des regrets. Le contenu est basé sur l'article de Kelly Wang Zhang, Lucas Janson, et Susan Murphy, présenté au NeurIPS 2021, intitulé «Inférence statistique avec M-Estimators sur les données recueillies adaptativement».

À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.