逆强化学习和动态离散选择模型的有效推理

本文解决了逆强化学习（IRL）和动态离散选择（DDC）模型中高效且统计上可靠的推理问题。它弥合了灵活的机器学习方法（缺乏保证）和限制性经典方法之间的差距。核心贡献是一个半参数框架，它允许灵活的非参数估计，同时保持统计效率。这很重要，因为它能够对各种应用中的顺序决策进行更准确和可靠的分析。

• •提出了一个用于 IRL 和 DDC 模型中高效推理的半参数框架。
• •在允许灵活的非参数估计的同时实现统计效率。
• •将 DDC 模型的经典推理扩展到非参数奖励。
• •提供了一种统一且计算上易于处理的 IRL 统计推理方法。