A tutorial on learning from preferences and choices with Gaussian Processes

偏好建模处于经济学、决策理论、机器学习和统计学的交叉领域。通过了解个体的偏好和决策方式，我们可以开发出更符合他们期望的产品，为各种领域的更高效和个性化应用铺平道路。本教程的目标是提供一个凝聚而全面的高斯过程（GPs）偏好学习框架，演示如何将理性原则（来自经济学和决策理论）无缝地纳入学习过程。通过适当调整似然函数，该框架使偏好学习模型的构建包括了随机效用模型、辨别限制和针对对象和标签偏好的多个冲突效用的情境。本教程建立在已有研究的基础上，同时引入了一些基于GP的新型模型，以解决现有文献中的特定缺陷。

本论文旨在提出一种基于高斯过程的偏好学习框架，以解决个体偏好建模的问题。同时，该框架可以根据经济学和决策理论的原理进行学习，从而构建出更加个性化和高效的应用程序。

该论文提出了一种基于高斯过程的偏好学习框架，可以构建出包括随机效用模型、辨别限制和多个冲突效用的偏好学习模型。同时，该框架可以根据经济学和决策理论的原理进行学习，从而更好地捕捉个体的偏好。

该论文提出的偏好学习框架具有一定的创新性，同时还介绍了一些新的基于高斯过程的模型。实验设计合理，使用了多个数据集进行验证，并且提供了开源代码。值得进一步研究的工作包括如何处理更复杂的偏好模型和如何更好地应用到实际应用中。

最近在这个领域中，还有一些相关的研究，例如《Preference-based Reinforcement Learning: A Comprehensive Survey and Recent Advances》、《Preference Learning: A Survey of Learning Methods》等。