MARC

 008260126s2024        us                              c    eng  d
■001000017361032
■00520260202105655
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265453266
■035    ▼a(MiAaPQ)AAI32409661
■035    ▼a(MiAaPQ)124489
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aBan,  Yikun.
■24510▼aPrincipled  Exploration  in  Sequential  Decision-Making
■260    ▼a[Sl]▼bUniversity  of  Illinois  at  Urbana-Champaign▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a162  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-06,  Section:  A.
■500    ▼aAdvisor:  He,  Jingrui.
■5021  ▼aThesis  (Ph.D.)--University  of  Illinois  at  Urbana-Champaign,  2024.
■520    ▼aInteractive  Machine  Learning  (IML)  possesses  the  unique  capability  to  harness  feedback  from  interactions,  making  it  indispensable  in  a  wide  array  of  real-world  applications.  However,  a  significant  challenge,  known  as  the  "exploitation  and  exploration  dilemma,"  prominently  arises  within  the  domain  of  IML.  In  this  context,  learners  must  not  only  exploit  current  information  but  also  explore  to  uncover  potential  knowledge  for  long-term  gains.  Despite  decades  of  research  yielding  a  rich  landscape  of  algorithms,  frameworks,  and  theories  for  effectively  utilizing  collected  data  to  train  machine  learning  models,  a  fundamental  question  has  remained  largely  unaddressed:  How  can  IML  models  systematically  make  principled  exploration  for  long-term  benefits,  alongside  the  full  exploitation  of  current  data?  This  thesis  will  motivate  the  exploration  of  IML  by  human  principles  in  sequential  decision-making,  and  then  present  our  research  efforts  in  developing  principled  exploration  strategies,  including  adaptive  exploration,  collaborative  exploration,  and  customized  exploration,  and  the  future  directions  in  trustworthy  exploration.  The  content  of  this  thesis  will  cover  the  fundamental  algorithms  and  theories  in  exploration  and  show  how  the  exploration  strategies  impact  other  machine  learning  problems  and  real-world  applications.
■590    ▼aSchool  code:  0090.
■650  4▼aComputer  science
■650  4▼aComputer  engineering
■650  4▼aInformation  science
■653    ▼aMulti-armed  bandits
■653    ▼aContextual  bandits
■653    ▼aNeural  networks
■653    ▼aInteractive  Machine  Learning
■690    ▼a0984
■690    ▼a0464
■690    ▼a0723
■71020▼aUniversity  of  Illinois  at  Urbana-Champaign▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g87-06A.
■790    ▼a0090
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17361032▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books