XiaoMi-AI文件搜索系统
World File Search SystemRustichini
不专心的经济体-CDN
•信息和随机选择的成本。SIMS（2003，2010）； Caplin和Dean（2013，2015）; Caplin，Dean和Leahy（2021）；牙本质（2020）; Denti，Marinacci和Rustichini（2020）； Pomatto，Strack和Tamuz（2019）； H·耶伯特和伍德福德（2020a，2020b）;布洛德尔和郑（2021）。SIMS（2003，2010）； Caplin和Dean（2013，2015）; Caplin，Dean和Leahy（2021）；牙本质（2020）; Denti，Marinacci和Rustichini（2020）； Pomatto，Strack和Tamuz（2019）； H·耶伯特和伍德福德（2020a，2020b）;布洛德尔和郑（2021）。
演讲：清洁技术转型中的自我实现预言
内生增长中的多重均衡：Benhabib and Perli (1994) , Benhabib and Farmer (1994) , Boldrin and Rustichini (1994) , Howitt and McAfee (1988) , Benhabib et al. (2008)
线性部分监视，以进行顺序决策算法，后悔界限和应用程序
部分监测（Rustichini，1999）是无状态顺序决策的灵活框架。部分监视模型捕获了标准的多臂和线性匪徒的设置，半信息反馈模型，动态定价和决斗匪徒的变体，仅举几例。部分监视被形式化为学习者和环境之间的基于圆形的游戏。在每回合中，学习者选择一个动作，环境提供了反馈。此外，与每个动作相关的（未知）奖励，但与强盗模型不同，不一定直接观察到奖励。相反，为学习者提供了奖励和反馈如何相关的描述。为了最大程度地提高累积奖励，学习者需要在导致信息反馈和高奖励的行动之间取得仔细的平衡，这是探索 - 开发难题的本质。更具体地，学习者需要收集数据，使其能够识别最佳动作，同时最大程度地减少相对于最佳动作（称为遗憾）的次优最佳动作的成本。