MARC

 008250123s2024        us                              c    eng  d
■001000017161111
■00520250211151311
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384452485
■035    ▼a(MiAaPQ)AAI31237169
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aDogan,  Ilgin.
■24510▼aInformation  Asymmetries  in  Data-Driven  and  Sustainable  Operations:  Stochastic  Models  and  Adaptive  Algorithms  for  Strategic  Agents
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a160  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Shen,  Zuo-Jun  Max;Aswani,  Anil.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2024.
■520    ▼aThe  modern  landscape  of  operations  management  (OM)  has  undergone  a  profound  paradigm  shift  driven  by  two  surging  forces:  1)  the  integration  of  expansive  real-time  data  inflow,  and  2)  the  recognition  of  ambiguity  in  navigating  operational  disruptions  due  to  climate  crisis.  In  this  transition  to  data-driven  and  sustainable  operations,  a  fundamental  challenge  lies  in  isolating  the  lack  of  transparency  in  collaboration  willingness  and  misaligned  economic  motives  of  strategic  agents  (i.e.,  stakeholders)  in  socio-technical  systems.Motivated  by  contributing  to  this  breakthrough,  this  dissertation  establishes  a  foundational  theory  that  leverages  data-driven  decision-making  to  proactively  mitigate  intricate  uncertainties,  arising  from  imperfect  model  insights  and  information  asymmetries,  hindering  sustainable  OM.  The  dissertation  begins  by  exploring  nonlinear  and  non-stationary  control  systems  under  imperfect  knowledge  of  the  reward  function  and  system  dynamics-a  nontrivial  scenario  common  in  applications  like  balancing  occupant  comfort  and  energy  efficiency  in  buildings.  Expanding  on  this  rigorous  control-theoretic  learning  analysis,  the  majority  of  the  dissertation  is  devoted  to  devising  novel,  data-driven,  and  adaptive  incentive  frameworks  to  tackle  unexplored  information  disparities  in  the  context  of  repeated  principal-agent  games.Inspired  by  several  real-world  applications,  such  as  forest  conservation  incentives  in  Payment  for  Ecosystem  Services  and  renewable  energy  aggregator  contracts  for  utility  grids,  this  dissertation  introduces  the  "hidden  agent  rewards"  model  within  a  multi-armed  bandit  framework,  where:  a  principal  learns  to  proactively  lead  an  agent's  choices  by  sequentially  offering  menus  of  incentives  which  contribute  to  the  agent's  hidden  rewards  for  a  finite  set  of  arms.  Designing  policies  in  this  setting  is  challenging,  because  it  entails  analyzing  dynamic  externalities  imposed  by  two  separate  learning  algorithms  trained  in  parallel  by  strategic  parties.  To  the  best  of  our  knowledge,  this  dissertation  presents  i)  the  first  generic  stochastic  sequential  model  for  this  widely  applicable  information  imbalance  context,  and  ii)  the  first  methodological  framework  that  contends  with  the  principal's  trade-off  between  consistently  learning  the  agent's  rewards  and  maximizing  their  own  rewards  through  adaptive  incentives.  We  examine  two  scenarios:  one  where  the  agent  has  perfect  knowledge  of  their  reward  model  and  another  where  the  agent  learns  their  model  over  time,  potentially  leading  to  misleading  choices  for  the  principal.  In  both  cases,  solid  statistical  consistency  and  regret  guarantees  are  proven  to  persist  without  restricting  the  agent's  algorithm  or  reward  distributions.  Throughout  the  dissertation,  these  theoretical  results,  along  with  versatile  practical  insights,  outline  a  prosperous  future  research  landscape  to  enhance  various  incentive  practices  in  OM  confronting  the  hidden  objectives  of  incentivized  agents.
■590    ▼aSchool  code:  0028.
■650  4▼aComputer  science
■650  4▼aSustainability
■650  4▼aIndustrial  engineering
■653    ▼aData-driven  incentives
■653    ▼aData-driven  operations
■653    ▼aInformation  asymmetries
■653    ▼aMulti-armed  bandits
■653    ▼aSustainable  operations
■690    ▼a0796
■690    ▼a0984
■690    ▼a0640
■690    ▼a0546
■71020▼aUniversity  of  California,  Berkeley▼bIndustrial  Engineering  &  Operations  Research.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161111▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서