13、人群与人工智能混合系统：CrowdLearn的原理与实践

人群与人工智能混合系统：CrowdLearn的原理与实践

1. CCMB问题与目标函数

在相关应用中，我们用 $C^t$ 表示第 $t$ 个周期产生的所有成本。假设在每个周期开始时，上下文 $X^t$ 是可观测的，但代理采取行动的回报要到周期结束时才会揭晓（即直到人群提交响应，才知道延迟情况）。

CCMB（上下文感知的众包多臂老虎机）的目标是推导出一个最优激励策略，该策略能决定在何种上下文中采取何种行动，以在资源预算范围内最大化回报。CCMB问题是一个决策过程，它将历史观测值 ${X^1, A^1, P^1; X^2, A^2, P^2; \cdots ; X^{t - 1}, A^{t - 1}, P^{t - 1}}$ 和当前上下文 $X^t$ 映射到一个行动 $A^t \in \mathcal{A}$。其目标函数如下：
[
\begin{align }
&\arg\max_{A^t} \sum_{t = 1}^{T} P^t, \quad 1 \leq t \leq T \quad \text{(回报最大化)}\
&\text{s.t.:} \quad \sum_{t = 1}^{T} C^t \leq B, \quad 1 \leq t \leq T \quad \text{(预算约束)}
\end{align }
]
这个目标函数可以使用自适应线性规划方法来求解。

2. 人群质量控制（CQC）

众包平台面临的一个关键挑战是答案质量参差不齐，一些工作人员可能由于知识有限或主观意见而提供错误答案。现有一些解决方案来解决这个问题：
-