Adaptive Bayesian Online Learning via Expert Aggregation
自适应贝叶斯在线学习专家聚合方法
🧭 在线贝叶斯专家聚合自适应预测
Inha University
将不同超参的贝叶斯更新规则视为专家并在线聚合，实现自适应预测，无需预选最佳模型
📌 工作参考价值（4 点）
- 在推荐系统的在线学习环境中，可对多组贝叶斯模型（不同学习率、先验）进行动态加权，自动适应数据分布变化，减少离线调参成本
- 将不同探索策略（如UCB、Thompson采样）视为专家进行聚合，能在线平衡探索与利用，适合广告出价或冷启动场景
- 提供了带有保证的置信区间（conformal inference），可用于推荐结果的不确定性量化，辅助下游决策（如是否向用户展示低置信度内容）
- Agent多智体协作中，各Agent的预测可作为专家，聚合后提升整体系统的鲁棒性，避免单个模型失效