在奖励不可观测情况下激励全知智能体的重复委托代理游戏学习策略

研究在多臂赌博机（MAB）框架下设计委托方策略，解决委托方无法直接观测智能体（Agent）奖励的问题。针对智能体拥有完全知识的情况，提出一种策略以实现低遗憾（平方根级遗憾）。 该策略通过构建智能体预期奖励的估计器，并利用激励序列和被选臂作为数据进行在线逆向优化。 论文最后通过数值模拟验证了该框架在长期他汀类药物依从性激励设计中的应用潜力。