貝葉斯勸說模型研究的進展和應用

2020-10-10 雲悅科技

貝葉斯勸說問題早就存在於現實生活中,只是未被系統性地建模分析和探討。實際上,相關統計顯示,勸說行為大概佔據了美國經濟行為的1/3。近年來,一系列研究在各個方面拓展了基本模型,這些拓展研究包括兩個方向:一個是深入探討信息設計的策略本身;另一個是討論市場結構和信息設計策略的相互影響對市場均衡的塑造。

針對信息設計本身的討論細化了信息設計者和接收者的性質,探討了這些性質對信息設計策略和可行性的影響。例如,發送者與接收者對於自然狀態的先驗概率不同,或接收者有一些私人信息可以進行輔助決策。一些研究則注意到,信息設計本身並不是免費的,因此討論了發送信息產生花費時的設計策略問題。近年來的一些研究考慮了博弈環境下的信息設計問題。這類信息設計研究討論了信號發送者在看到一些接收者的信息後,如何改變信號的設計策略。假如場景本身會發生動態變化,例如伊利(Ely)等人將基本模型擴展到了一個動態的應用場景:假設一個主體在為一個資本家工作並且持續地投入精力,他可以選擇在任意一個時間點退出,如果他在退出時已經完成了任務,他就可以獲得一定的效用,否則獲得的效用為0。但是,在他退出之前,他並不知道是否完成了任務只對總任務量有一個先驗的估計。而該研究提供了一個最優信號設計,指出資本家可以通過向他發送一個關於任務進度的信號來擴大自己的收益。

針對市場結構和信息設計策略相互影響的研究,主要為市場競爭對信息設計的影響。在信息設計側,一些研究包括多個信號發送者的相互博弈如何影響最終的均衡。研究發現,不同信號發送者的利益可能有協同,也可能有衝突,這就涉及信號發送者之間是進行競爭還是進行共謀對自身的效用更加有利。針對信息接收側,研究主要聚焦於多個信號接收者之間的博弈如何影響信號設計者的決策。



貝葉斯勸說研究不僅停留在理論分析層面,也已經被廣泛地應用於經濟學、金融學和政治科學等不同學科的研究中。經濟學的研究聚焦於信息對市場競爭和均衡的影響上。在市場中,如果消費者的需求發生了變化,會導致需求曲線與供給者利潤曲線的變化,進而提出了一種新的廣告分類方法,分析引起需求變化的是商家的炒作還是消費者的真實信息。有人則探究了在藥品研製領域,製藥公司與食品藥品監督管理局之間的信息博弈。製藥公司可以通過改進測試階段,提高藥物實驗的成功率,從而可以選擇更好的藥物實驗設計,提高藥品上市的可能性。而食品藥品監督管理局可以強制要求製藥公司實施更多強制性的測試來提高獲批藥物的質量,從而獲得有關被測藥物更精確的信息。

由於提供了全新的策略設計維度,貝葉斯勸說和經濟學的研究被大量應用於拍賣設計中。杜格米(Dughmi)等人探究了如下場景:在拍賣的時候,拍賣者不能直接展示拍賣品給買方,而是給出一定數量的信息,導致買方之間形成不完全信息博弈。該研究探索了在這種情況下,如何設計信息生成機制才能夠將拍賣者的利潤最大化。杜格米等人考慮了在拍賣情況下,中介方應該如何把買家的情況部分地傳遞給拍賣者來影響拍賣者決策。

貝葉斯勸說在政治科學上的應用,主要體現在分析對選民的勸說問題上。例如,阿朗索(Alonso)等人討論了政治家可以向選民發送一個有關其提案的信號。作者表明,在多數決規則下,這個政治家可以通過巧妙地設計信號,使得一個原本會被否決的提案在信號的影響下通過,並且大多數選民的效用相比沒有信號的情形不增。Xu等人在國際安全領域對貝葉斯勸說與斯塔克爾伯格博弈(Stackelberg Game)進行了結合探討。在一些特殊情況下,防禦者雖然可以成功抵禦攻擊,但是仍然要承受很大的損失。此時,如果防禦者策略性地傳遞一些受攻擊部位的信息給攻擊者,起到一定的震懾作用,那麼防禦者就能夠得到更高的效用。

貝葉斯勸說揭示了一些深刻的反事實結論。例如在針對金融領域風險披露的研究中,戈爾斯坦(Goldstein)等人證明了「信息公開」有可能是個壞政策,並探究了金融領域風險披露行為。2008年金融危機之後,全球中央銀行對金融機構進行定期壓力測試,以評估其抵禦未來衝擊的能力。對於決策者而言,在某些程度下必須採取一定程度的披露行為防止風險發生。而在某些程度下,選擇不披露風險測試結果更有利於社會福利的最優。

相關焦點

  • 清華大學朱軍:貝葉斯學習回顧與最新進展| YEF 2020
    其中,朱軍教授做了題為《貝葉斯學習回顧與展望》報告,總時長為1個小時左右,內容主要分為五個部分:貝葉斯理論應對不確定性、貝葉斯理論和經典算法、可擴展的貝葉斯方法、珠算編程庫以及應用貝葉斯理論的一些例子。  下文是本場報告的文字版,由 AI 科技評論編輯。
  • 清華大學朱軍:貝葉斯學習回顧與最新進展|YEF 2020
    其中,朱軍教授做了題為《貝葉斯學習回顧與展望》報告,總時長為1個小時左右,內容主要分為五個部分:貝葉斯理論應對不確定性、貝葉斯理論和經典算法、可擴展的貝葉斯方法、珠算編程庫以及應用貝葉斯理論的一些例子。下文是本場報告的文字版,由 AI 科技評論編輯。1貝葉斯應對不確定性為什麼要用貝葉斯做機器學習或者人工智慧?
  • 貝葉斯和貝葉斯公式
    貝葉斯在數學方面主要研究概率論。他首先將歸納推理法用於概率論基礎理論,並創立了貝葉斯統計理論,對於統計決策函數、統計推斷、統計的估算等做出了貢獻。貝葉斯的另一著作《機會的學說概論》發表於1758年。貝葉斯所採用的許多術語被沿用至今。貝葉斯思想和方法對概率統計的發展產生了深遠的影響。今天,貝葉斯思想和方法在許多領域都獲得了廣泛的應用。從二十世紀20~30年代開始,概率統計學出現了「頻率學派」和「貝葉斯學派」的爭論,至今,兩派的恩恩怨怨仍在繼續。貝葉斯決策理論是主觀貝葉斯派歸納理論的重要組成部分。
  • 科普| 貝葉斯概率模型一覽
    雷鋒網按:本文出自美圖數據研究院什麼是貝葉斯概率模型?機器學習狹義上是指代統計機器學習,如圖 1 所示,統計學習根據任務類型可以分為監督學習、半監督學習、無監督學習、增強學習等。圖 1在每類任務中,又可以將各類模型歸結為概率模型和非概率模型,以下以監督學習為例說明。
  • 貝葉斯模型下
    引言上一篇文章我們主要從理論上梳理了樸素貝葉斯方法進行文本分類的基本思路。這篇文章我們主要從實踐上探討一些應用過程中的tricks,並進一步分析貝葉斯方法,最後以情緒褒貶分析和拼寫糾錯為例展示這種簡單強大的方法在自然語言處理問題上的具體應用。2. 為什麼不直接匹配關鍵詞來識別垃圾郵件?看了上一篇文章的一些同學可能會問:「何必費這麼大勁算那麼多詞的概率?
  • 數據分析經典模型——樸素貝葉斯
    編輯導語:做過數據分析的人,想必對貝葉斯模型都不會陌生。貝葉斯預測模型是運用貝葉斯統計進行的一種預測,不同於一般的統計方法,其不僅利用模型信息和數據信息,而且充分利用先驗信息。通過實證分析的方法,將貝葉斯預測模型與普通回歸預測模型的預測結果進行比較,結果表明貝葉斯預測模型具有明顯的優越性。
  • 貝葉斯線性回歸在期貨交易中的應用
    本報告嘗試利用滬銅期貨的基本面周頻數據對滬銅期貨下一周的收益率分布進行預測,研究結果標明利用貝葉斯模型對期貨收益率預測有一定效果。根據該模型的預測結果對2016年3月至2017 年6月的純樣本外數據進行回測獲得年化收益17.8%,波動率22%,夏普率0.8。
  • 「NLP」經典分類模型樸素貝葉斯解讀
    貝葉斯分類器在早期的自然語言處理任務中有著較多實際的應用,例如大部分的垃圾郵件處理都是用的貝葉斯分類器。貝葉斯分類器的理論對於理解後續的NLP模型有很大的進益,感興趣的小夥伴一定要好好看看,本文會詳細的講述貝葉斯分類器的原理。本文會是我們NLP基礎系列最後一篇機器學習模型的講解,後面會進入深度學習相關的內容。
  • 樸素貝葉斯算法及其應用
    在這篇文章中,我們將嘗試以簡單的方式理解什麼是樸素貝葉斯,它是如何工作的以及我們如何應用樸素貝葉斯分類器將文本或評論分類為「肯定」或「否定」,我們將通過電影評論案例進行研究。什麼是樸素貝葉斯?貝葉斯定理是由Reverend Bayes開發的最早的概率推理算法之一(他過去常常嘗試推斷上帝的存在)並且對於某些用例仍然表現得非常好。
  • 貝葉斯算法可降低應用雙面光伏組件的電站LCOE
    德國亥姆霍茲國家研究中心(HZB)的研究人員開發出一種用於部署雙面太陽能電池板的照度模型他們聲稱這一模型有助於降低大型光伏項目的平準化能源成本(LCOE)。他們提出的這一模型以貝葉斯優化方法為基礎。該方法基於貝葉斯定理——這個簡單的數學公式能夠用於計算條件概率,並根據添加的新的相關證據對現有結論加以更新。
  • 常見概率模型在金融市場中的應用
    這類模型首先在物理學中得到應用,隨後在自然語言處理中被發現取得 良好效果。目前這類模型也常出現在金融、經濟等學術論文中用於檢驗經濟指標有效性 或者用作預測。這類模型在國外一些對衝基金公司也有所應用。  概率模型可以比靈活地從較少量數據中調校出來,但是在傳統機器學習問題上,比 如分類,非線性回歸等,這類模型效果在精確性和擴展性方面表現不會特別好。
  • 解讀實踐中最廣泛應用的分類模型:樸素貝葉斯算法
    貝葉斯模型在機器學習以及人工智慧中都有出現,cherry 分類器使用了樸素貝葉斯模型算法,經過簡單的優化,使用 1000 個訓練數據就能得到 97.5% 的準確率。雖然現在主流的框架都帶有樸素貝葉斯模型算法,大多數開發者只需要直接調用 api 就能使用。但是在實際業務中,面對不同的數據集,必須了解算法的原理,實現以及懂得對結果進行分析,才能達到高準確率。
  • 貝葉斯牧師和福爾摩斯先生
    福爾摩斯的帽子當今,在人工智慧領域,專家從證據到假設以及從結果到原因的自動化推理取得巨大的進展。機上的298人,包括283名乘客和15名機組人員全部遇難。該軟體由拉德堡德大學的一個研究小組於2000年開發,採用貝葉斯網絡技術,能夠綜合對比來自遇難者幾個不同的家庭成員的DNA信息。法醫研究所最終能在2014年12月鑑定出298名遇難者中294人的身份,應歸于波拿巴的精確和高效。
  • 入門| 貝葉斯線性回歸方法的解釋和優點
    本文對比了頻率線性回歸和貝葉斯線性回歸兩種方法,並對後者進行了詳細的介紹,分析了貝葉斯線性回歸的優點和直觀特徵。我認為貝葉斯學派和頻率學派之間的紛爭是「可遠觀而不可褻玩」的學術爭論之一。與其熱衷於站隊,我認為同時學習這兩種統計推斷方法並且將它們應用到恰當的場景之下會更加富有成效。
  • 語義幹擾效應40年研究的貝葉斯元分析
    隨著貝葉斯在統計上的應用越來越多,Bayesian meta-analysis應用的開始越來越多。我們今天推薦的這篇文章2020年發表在Journal of Memory and Language,使用的就是貝葉斯元分析。為什麼要使用貝葉斯元分析呢?下面的論述或者有助於幫助你理解。納入元分析的研究依靠統計顯著性來確定是否存在語義幹擾效應,以及其存在是否取決於實驗條件。
  • 具有貝葉斯優化的XGBoost和隨機森林
    XGBoost應用程式的示例在Addepto,我們使用XGBoost模型來解決異常檢測問題,例如在監督學習方法中。在這種情況下,XGB非常有用,因為數據集通常非常不平衡。此類數據集的示例是移動應用中的用戶/消費者交易,能量消耗或用戶行為。
  • 基於貝葉斯推斷的回歸模型(理論篇)| 機器學習你會遇到的「坑」
    樸素貝葉斯:基於貝葉斯定理的分類器,需要估計類先驗概率P(l)和屬性的類條件概率,為計算聯合概率,引入了屬性獨立性假設。 共軛先驗:如果先驗分布與後驗分布屬於同一類型的分布,那麼我們將先驗分布稱為似然函數的共軛先驗。
  • 樸素貝葉斯(Naive Bayes)和校正曲線(Calibration Curve)
    換個表達式可能理解的就會更加透徹:以下是從Udemy上借鑑的一個例子:假設有兩個特徵,分別為工資(Salary)和年齡(Age),已知有兩種分類分別為:步行(Walks)和自駕(Drives),如上圖所示。
  • ——「貝葉斯因子」了解一下
    即日起,應用心理學雜誌社將對發表於《應用心理學》的優秀心理學研究論文進行推送,關注我們,你將獲得最新最棒的心理學研究動態!文章信息:跳出傳統假設檢驗方法的陷阱——貝葉斯因子在心理學研究領域的應用發表於《應用心理學》2018年 24卷 3期寫在前面:p值p值是指在一個概率模型中,統計摘要(如兩組樣本均值差)與實際觀測數據相同
  • 提高建模效率,改變手工作坊式生產,AutoML的技術研究與應用進展...
    其中,熱門的「自動化機器化學習技術與系統」論壇於12月6日拉開帷幕,作為本次論壇的開場嘉賓,江蘇鴻程大數據研究院副總經理、南京大學PASA大數據實驗室博士朱光輝帶來了《自動化機器學習AutoML技術研究進展 》的主題演講。