Skip to main content
QUICK REVIEW

[论文解读] A polarity theory for sets of desirable gambles

Alessio Benavoli, Alessandro Facchini|arXiv (Cornell University)|May 26, 2017
Decision-Making and Behavioral Economics参考文献 11被引用 10
一句话总结

本文通过凸锥的新型极性理论,建立了可 coherence 的可取赌局集合与分层概率凸集之间的对偶性。利用正交矩阵和分层排序,证明了这两种模型是同构的,实现了双向转换,同时保持了条件化等关键操作不变。

ABSTRACT

Coherent sets of almost desirable gambles and credal sets are known to be equivalent models. That is, there exists a bijection between the two collections of sets preserving the usual operations, e.g. conditioning. Such a correspondence is based on the polarity theory for closed convex cones. Learning from this simple observation, in this paper we introduce a new (lexicographic) polarity theory for general convex cones and then we apply it in order to establish an analogous correspondence between coherent sets of desirable gambles and convex sets of lexicographic probabilities.

研究动机与目标

  • 建立可 coherence 的可取赌局集合与凸分层概率集合之间的正式同构关系。
  • 将极性理论从闭凸锥推广至一般凸锥,以支持不确定性建模中的对偶性。
  • 在对偶变换下保持基本操作(如条件化)不变。
  • 为在赌局与分层概率之间转移构造提供几何与代数框架。
  • 通过与更具直观性的赌局框架的对偶性,实现对分层概率的更深入分析。

提出的方法

  • 为一般凸锥开发一种新型分层极性理论,推广经典闭凸锥的极性理论。
  • 通过正交矩阵定义对偶变换,将可 coherence 的可取赌局集合映射为凸分层概率集合。
  • 通过约化规则 (R) 在随机矩阵上引入条件化操作,保持矩阵结构与随机性。
  • 利用 Gram-Schmidt 正交化,从可 coherence 的可取赌局集合 $\mathcal{K}$ 构造变换 $\mathbf{G}(\mathcal{K})$,映射为分层概率集合。
  • 证明对偶性保持条件化:对任意子集 $\Pi \subset \Omega$,有 $\mathbf{G}(\mathcal{K} \rfloor_{\Pi}) = (\mathbf{G}(\mathcal{K})) \rfloor_{\Pi}$。
  • 使用分层排序 ($<_{L}$) 定义对偶空间中的正性,确保与分层概率模型的兼容性。

实验结果

研究问题

  • RQ1能否在可 coherence 的可取赌局集合与凸分层概率集合之间建立对偶性?
  • RQ2如何将极性理论扩展至一般凸锥,以支持此类对偶性?
  • RQ3该对偶性是否保持如事件条件化等基本操作?
  • RQ4正交矩阵在构建两种模型之间对偶变换中起什么作用?
  • RQ5通过这种对偶性,能否更好地理解独立性等结构性质?

主要发现

  • 可 coherence 的可取赌局集合 $\mathcal{K}$ 通过对偶变换 $\mathbf{G}$ 与凸分层概率集合同构。
  • 对偶变换保持条件化:$\mathbf{G}(\mathcal{K} \rfloor_{\Pi}) = (\mathbf{G}(\mathcal{K})) \rfloor_{\Pi}$,确保操作一致性。
  • 该变换通过正交矩阵与 Gram-Schmidt 正交化构造,确保分层正性得以保持。
  • 分层概率集合 $\mathbf{G}(\mathcal{K})$ 是凸的,且在原始赌局模型的操作下封闭。
  • 对偶性允许在基于赌局与基于概率的框架之间转移构造与洞见。
  • 该理论可扩展至条件模型,其中条件化通过保持矩阵结构与随机性的约化规则 (R) 定义。

更好的研究,从现在开始

从阅读论文到最终审阅,大幅缩短您的研究时间。

无需绑定信用卡

本解读由 AI 生成,并经人工编辑审核。