在信号处理系统中，决策者或代理的行动常常依赖于状态变量的确定性。本文讲述了不确定性如何影响决策的表现及其可信度。我们从基本原则出发，探讨了目标与代理知识之间的联系，以及不确定性表示形式的必要性。
首先，在已知环境分布的假设下，风险中立的代理需要对状态的后验分布进行建模，而风险厌恶的代理则可以依赖于预测集和最坏情况决策规则而不损失最优性。
接下来，面对未知环境，我们识别了三种互补的方法来应对由此产生的认知不确定性：固定预测器的校准、具有分布鲁棒优化的信念集，以及对模型参数的贝叶斯推断。这些方法的共通之处在于，可靠的决策需要与决策目标及代理的知识结构相匹配的不确定性表示，并且需要保证代理实际获得的效用。
博主点评： 本文深入探讨了决策过程中的不确定性量化，强调了风险偏好对决策策略的影响。通过结合贝叶斯推断与鲁棒优化，提供了在复杂环境中实现最优决策的有效路径。对信号处理与决策理论的研究者来说，具有重要的参考价值。