在奖励不可见下学习激励完全知识智能体

针对委托人无法观察代理人奖励的重复委托-代理多臂老虎机博弈，该研究提出了一种面向完全知识代理人的激励策略，在对数因子下实现了平方根低遗憾（square-root regret）。该方法利用历史激励与动作选择序列构建代理人期望奖励估计器，并基于在线逆优化思想推导出了有限样本集中界。数值模拟验证了该框架在长期他汀类药物治疗个性化依从性激励设计中的适用性。