Test d'hypothèse actif adaptatif sous information limitée

Nous considérons le problème des tests d'hypothèses séquentiels actifs où un décideur bayésien doit inférer la vraie hypothèse à partir d'un ensemble d'hypothèses. Le décideur peut choisir un ensemble d'actions, où le résultat d'une action est corrompu par un bruit indépendant. Dans cet article, nous considérons un cas particulier où le décideur a une connaissance limitée de la distribution des observations pour chaque action, dans la mesure où seule une valeur binaire est observée. Notre objectif est de déduire la véritable hypothèse avec une faible erreur, tout en minimisant le nombre d'actions échantillonnées. Nos principaux résultats comprennent la dérivation d'une limite inférieure sur la taille de l'échantillon pour notre système en cas de connaissance limitée et la conception d'une politique d'apprentissage actif qui correspond à cette limite inférieure et surpasse les algorithmes connus similaires.