Resumen

En el escenario en línea de toma de decisiones, un jugador tiene que escoger entre un conjunto de decisiones disponibles y, tras ello, incurre en una pérdida correspondiente a la calidad de la opción elegida. El paradigma de la minimización de arrepentimiento (regret minimization) sugiere la meta de causar una pérdida promedio que se acerque a la mejor decisión fijada a posteriori. Recientemente las herramientas de la optimización convexa han dado lugar a algoritmos que son más generales, unifican resultados previos y con frecuencia brindan límites de arrepentimiento nuevos y mejorados.

En este documento se estudian algunos de los desarrollos recientes en esta fusión entre la optimización y el aprendizaje. Se comienza describiendo dos plantillas generales para producir algoritmos y validar límites de arrepentimiento. Las plantillas son muy simples y unifican el análisis de varios algoritmos bien conocidos y utilizados.

• Materias:Administración Administración de empresas Algoritmos (Computadores) Investigación operacional Toma de decisiones
• Subjects:Management Business enterprises Computer algorithms Operations research Decision making
• Palabras claves:Ciencias de la administración, Optimización, Convexidad, Optimización convexa, Optimización convexa en línea, Minimización de arrepentimiento, Límites de arrepentimiento, Algoritmo RFTL, Algoritmo primal-dual, Funciones de pérdida
• Keywords:Administration Sciences, Optimization, Convexity, Convex Optimization, Convex Online Optimization, Repentance Minimization, Repentance Limits, RFTL Algorithm, Primal-Dual Algorithm, Loss Functions