No description available.

These stories examine the lives of working class people in light of the current economic and social climate. They address and attempt to empathize with the despair and disillusionment many working class Americans express in response to their economic and social realities, and the stories attempt to walk a non-judgmental line regarding the attitudes these characters espouse. Instead of judging the characters or championing a particular moral stance, the pieces attempt to present individuals faced with major failures: child abandonment, guilt over preventable death, overriding selfishness, racism, and shame regarding social status. These failures of character or morality echo the larger failings, as the characters perceive them, of their time and place. Within this worldview of disillusionment and despair, many of the characters in these stories choose to struggle toward self-betterment—not economic or social betterment per se, but individual betterment, a reckoning with themselves and their failures that necessarily reflects and interacts with the world they inhabit. These are stories rooted in the Midwest and its rust-belt inhabitants, but for all their contemporary socio-economic concerns, the stories are first and foremost concerned with the individual and representing each individual portrayed accurately and honestly. / Master of Fine Arts

This paper examines the behavior of the regret-averse multinational firm under exchange rate uncertainty. The multinational firm simultaneously sells in the home market and exports to a foreign country. We characterize the multinational firm's regret-averse preferences by a modified utility function that includes disutility from having chosen ex-post suboptimal alternatives. The extent of regret depends on the difference between the actual home currency profit and the maximum home currency profit attained by making the optimal production and export decisions had the multinational firm observed the true realization of the random spot exchange rate. We show that the conventional results that the multinational firm optimally produces less, sells more domestically, and export less abroad under uncertainty than under certainty holds if the multinational firm is not too regret averse. Using a simple binary model wherein the random spot exchange rate can take on either a low value or a high value with positive probability, we show that the multinational firm may optimally produce more, sell less domestically, and export more abroad under uncertainty than under certainty, particularly when the multinational firm is sufficiently regret averse and the low spot exchange rate is very likely to prevail.

We examine the economic behavior of the regret-averse firm under price uncertainty. We show that the global and marginal effects of price uncertainty on production are both positive (negative) when regret aversion prevails if the random output price is positively (negatively) skewed. In this case, high (low) output prices are much more likely to be seen than low (high) output prices. To minimize regret, the firm is induced to raise (lower) its output optimal level. The skewness of the price distribution as such plays a pivotal role in determining the regret-averse firm\'s production decision.

Dans cette thèse, nous étudions des stratégies d’allocation séquentielle de ressources. Le modèle statistique adopté dans ce cadre est celui du bandit stochastique à plusieurs bras. Dans ce modèle, lorsqu’un agent tire un bras du bandit, il reçoit pour récompense une réalisation d’une distribution de probabilité associée au bras. Nous nous intéressons à deux problèmes de bandit différents : la maximisation de la somme des récompenses et l’identification des meilleurs bras (où l’agent cherche à identifier le ou les bras conduisant à la meilleure récompense moyenne, sans subir de perte lorsqu’il tire un «mauvais» bras). Nous nous attachons à proposer pour ces deux objectifs des stratégies de tirage des bras, aussi appelées algorithmes de bandit, que l’on peut qualifier d’optimales. La maximisation des récompenses est équivalente à la minimisation d’une quantité appelée regret. Grâce à une borne inférieure asymptotique sur le regret d’une stratégie uniformément efficace établie par Lai et Robbins, on peut définir la notion d’algorithme asymptotiquement optimal comme un algorithme dont le regret atteint cette borne inférieure. Dans cette thèse, nous proposons pour deux algorithmes d’inspiration bayésienne, Bayes-UCB et Thompson Sampling, une analyse à temps fini dans le cadre des modèles de bandit à récompenses binaires, c’est-à-dire une majoration non asymptotique de leur regret. Cette majoration permetd’établir l’optimalité asymptotique des deux algorithmes. Dans le cadre de l’identification des meilleurs bras, on peut chercher à déterminer le nombre total d’échantillons des bras nécessaires pour identifier, avec forte probabilité, le ou les meilleurs bras, sans la contrainte de maximiser la somme des observations. Nous définissons deux termes de complexité pour l’identification des meilleurs bras dans deux cadres considérés dans la littérature, qui correspondent à un budget fixé ou à un niveau de confiance fixé. Nous proposons de nouvelles bornes inférieures sur ces complexités, et nous analysons de nouveaux algorithmes, dont certains atteignent les bornes inférieures dans des cas particuliers de modèles de bandit à deux bras, et peuvent donc être qualifiés d’optimaux. / In this thesis, we study strategies for sequential resource allocation, under the so-called stochastic multi-armed bandit model. In this model, when an agent draws an arm, he receives as a reward a realization from a probability distribution associated to the arm. In this document, we consider two different bandit problems. In the reward maximization objective, the agent aims at maximizing the sum of rewards obtained during his interaction with the bandit, whereas in the best arm identification objective, his goal is to find the set of m best arms (i.e. arms with highest mean reward), without suffering a loss when drawing ‘bad’ arms. For these two objectives, we propose strategies, also called bandit algorithms, that are optimal (or close to optimal), in a sense precised below. Maximizing the sum of rewards is equivalent to minimizing a quantity called regret. Thanks to an asymptotic lower bound on the regret of any uniformly efficient algorithm given by Lai and Robbins, one can define asymptotically optimal algorithms as algorithms whose regret reaches this lower bound. In this thesis, we propose, for two Bayesian algorithms, Bayes-UCB and Thompson Sampling, a finite-time analysis, that is a non-asymptotic upper bound on their regret, in the particular case of bandits with binary rewards. This upper bound allows to establish the asymptotic optimality of both algorithms. In the best arm identification framework, a possible goal is to determine the number of samples of the armsneeded to identify, with high probability, the set of m best arms. We define a notion of complexity for best arm identification in two different settings considered in the literature: the fixed-budget and fixed-confidence settings. We provide new lower bounds on these complexity terms and we analyse new algorithms, some of which reach the lower bound in particular cases of two-armed bandit models and are therefore optimal

L’objectif général de cette thèse est (i) d’examiner l’influence du contexte socio-émotionnel sur la prise de décision à risque, chez l’enfant, l’adolescent et l’adulte (ii) et de s’interroger sur la dynamique développementale des Types 1 (heuristique) et 2 (analytique) de raisonnement envisagés par les théories du double processus et de leur articulation avec la Prospect Theory. Selon nous, cette articulation permettra de mieux rendre compte de l’influence des émotions sur la sensibilité aux gains et aux pertes dans la prise de décision. Dans ce contexte, nous avons d’abord examiné l’influence d’un contexte émotionnel incident sur la sensibilité à un biais décisionnel classique, l’effet du cadre de présentation, chez l’adulte. Nous nous sommes intéressés à l’influence du contexte émotionnel du point de vue de sa valence (positive ou négative), avant d’étudier l’influence d’émotions spécifiques (la colère et la peur). Sur le plan de la valence, nos résultats mettent en évidence l’influence des émotions positives dans la disparition de l’effet du cadre, à travers la réduction de l’aversion aux pertes. Les émotions plus spécifiques ont une influence différenciée sur la prise de risque, la peur tendant à l’augmenter, tandis que la colère tend à la réduire. Puis, nous avons étudié l’influence d’émotions positives sur la sensibilité à l’effet du cadre à l’adolescence, période critique en termes de prise de risque. La sensibilité à l’effet du cadre varie en fonction des sommes en jeu, ce qui conduit à une influence différenciée du contexte émotionnel selon cet enjeu. Nous nous sommes ensuite intéressés au développement de deux émotions intégrales au processus de prise de décision, dites également contrefactuelles (le regret et le soulagement) et à leur influence sur la volonté de reconsidérer un choix. Pour ce faire, nous avons élaboré une tâche de prise de décision induisant du regret ou du soulagement et nous avons mis en évidence un développement progressif du ressenti de ces émotions et de la capacité à les prendre en compte lors de la reconsidération d’un choix antérieur. Enfin, nous avons étudié le développement du regret social et du soulagement social de l’enfance à l’âge adulte, à travers un paradigme de compétition avec un pair. Le contexte de compétition semble biaiser l’évaluation rationnelle du regret et du soulagement à l’adolescence, certaines situations étant perçues comme plus désirables par rapport à un contexte de jeu individuel. Ces résultats sont discutés en lien avec la Prospect Theory, puisque la sensibilité aux gains et aux pertes semble modulée de façon distincte, à différents stades du développement, par le contexte émotionnel. / The general goal of this thesis was to study (i) the influence of different socio-emotional contexts on decision-making under risk, in children, adolescents and adults and (ii) the developmental dynamics of the Types 1 (heuristic) and 2 (analytic) of reasoning within the framework of the Dual Process theories, and their articulation with the Prospect Theory. According to us, a better articulation between these two theories could account more efficiently of the influence of emotions on reward and punishment sensitivity in decision-making. Therefore, we first examined the influence of an incidental emotional context on the framing effect - a classical bias in decision-making - on adult participants. We started by studying the influence of the valence of the emotions (positive or negative) and then the influence of different specific emotions (anger and fear) on this bias. Our results revealed that the participants were no longer affected by the framing effect following an exposure to a positive emotional context, due to a decrease of risk aversion in the loss frame. The two negative emotions we considered had opposite effects on risk taking: fear tended to increase risk taking, whereas anger tended to decrease it. In a follow-up study, we investigated the influence of incidental positive emotions on the framing effect during adolescence, a critical period for risk taking. In adolescents, the framing effect was modulated by the amount of the outcome at stake, and the emotional context had different impact on this bias depending of the amount of the outcome considered. Then, we examined the development of two integral (and counterfactual) emotions, regret and relief, and how these emotions affect our willingness to reconsider a choice. We elaborated a new gambling task and we manipulated the outcome obtained by the participants to induce regret or relief. This study provided evidence that the ability to experience regret and relief and the ability to take them into consideration continue to develop during late childhood and adolescence. We finally studied the development of social regret and relief from late childhood to adulthood, using a situation of social competition (playing against a playmate). This socio-emotional context seems to bias the rational evaluation of regret and relief in adolescence, as some situations are evaluated as more desirable, as compared to the same situations in a context of individual game. These results are discussed in light of the Prospect theory, as reward and punishment sensitivity seems to be differently modulated by socio-emotional context, at each developmental stage.

Cette thèse s'inscrit dans le domaine de l'apprentissage statistique. Le cadre principal est celui de la prévision de suites déterministes arbitraires (ou suites individuelles), qui recouvre des problèmes d'apprentissage séquentiel où l'on ne peut ou ne veut pas faire d'hypothèses de stochasticité sur la suite des données à prévoir. Cela conduit à des méthodes très robustes. Dans ces travaux, on étudie quelques liens étroits entre la théorie de la prévision de suites individuelles et le cadre statistique classique, notamment le modèle de régression avec design aléatoire ou fixe, où les données sont modélisées de façon stochastique. Les apports entre ces deux cadres sont mutuels : certaines méthodes statistiques peuvent être adaptées au cadre séquentiel pour bénéficier de garanties déterministes ; réciproquement, des techniques de suites individuelles permettent de calibrer automatiquement des méthodes statistiques pour obtenir des bornes adaptatives en la variance du bruit. On étudie de tels liens sur plusieurs problèmes voisins : la régression linéaire séquentielle parcimonieuse en grande dimension (avec application au cadre stochastique), la régression linéaire séquentielle sur des boules L1, et l'agrégation de modèles non linéaires dans un cadre de sélection de modèles (régression avec design fixe). Enfin, des techniques stochastiques sont utilisées et développées pour déterminer les vitesses minimax de divers critères de performance séquentielle (regrets interne et swap notamment) en environnement déterministe ou stochastique. / The topics addressed in this thesis lie in statistical machine learning. Our main framework is the prediction of arbitrary deterministic sequences (or individual sequences). It includes online learning tasks for which we cannot make any stochasticity assumption on the data to be predicted, which requires robust methods. In this work, we analyze several connections between the theory of individual sequences and the classical statistical setting, e.g., the regression model with fixed or random design, where stochastic assumptions are made. These two frameworks benefit from one another: some statistical methods can be adapted to the online learning setting to satisfy deterministic performance guarantees. Conversely, some individual-sequence techniques are useful to tune the parameters of a statistical method and to get risk bounds that are adaptive to the unknown variance. We study such connections for several connected problems: high-dimensional online linear regression under a sparsity scenario (with an application to the stochastic setting), online linear regression on L1-balls, and aggregation of nonlinear models in a model selection framework (regression on a fixed design). We also use and develop stochastic techniques to compute the minimax rates of game-theoretic online measures of performance (e.g., internal and swap regrets) in a deterministic or stochastic environment.

Cette thèse s'inscrit dans le domaine de l'apprentissage statistique. Le cadre principal est celui de la prévision de suites déterministes arbitraires (ou suites individuelles), qui recouvre des problèmes d'apprentissage séquentiel où l'on ne peut ou ne veut pas faire d'hypothèses de stochasticité sur la suite des données à prévoir. Cela conduit à des méthodes très robustes. Dans ces travaux, on étudie quelques liens étroits entre la théorie de la prévision de suites individuelles et le cadre statistique classique, notamment le modèle de régression avec design aléatoire ou fixe, où les données sont modélisées de façon stochastique. Les apports entre ces deux cadres sont mutuels : certaines méthodes statistiques peuvent être adaptées au cadre séquentiel pour bénéficier de garanties déterministes ; réciproquement, des techniques de suites individuelles permettent de calibrer automatiquement des méthodes statistiques pour obtenir des bornes adaptatives en la variance du bruit. On étudie de tels liens sur plusieurs problèmes voisins : la régression linéaire séquentielle parcimonieuse en grande dimension (avec application au cadre stochastique), la régression linéaire séquentielle sur des boules L1, et l'agrégation de modèles non linéaires dans un cadre de sélection de modèles (régression avec design fixe). Enfin, des techniques stochastiques sont utilisées et développées pour déterminer les vitesses minimax de divers critères de performance séquentielle (regrets interne et swap notamment) en environnement déterministe ou stochastique.

Aprendizagem por reforço multiagente (do inglês, MARL) é uma tarefa desafiadora em que agentes buscam, concorrentemente, uma política capaz de maximizar sua utilidade. Aprender neste tipo de cenário é difícil porque os agentes devem se adaptar uns aos outros, tornando o objetivo um alvo em movimento. Consequentemente, não existem garantias de convergência para problemas de MARL em geral. Esta tese explora um problema em particular, denominado escolha de rotas (onde motoristas egoístas deve escolher rotas que minimizem seus custos de viagem), em busca de garantias de convergência. Em particular, esta tese busca garantir a convergência de algoritmos de MARL para o equilíbrio dos usuários (onde nenhum motorista consegue melhorar seu desempenho mudando de rota) e para o ótimo do sistema (onde o tempo médio de viagem é mínimo). O principal objetivo desta tese é mostrar que, no contexto de escolha de rotas, é possível garantir a convergência de algoritmos de MARL sob certas condições. Primeiramente, introduzimos uma algoritmo de aprendizagem por reforço baseado em minimização de arrependimento, o qual provamos ser capaz de convergir para o equilíbrio dos usuários Nosso algoritmo estima o arrependimento associado com as ações dos agentes e usa tal informação como sinal de reforço dos agentes. Além do mais, estabelecemos um limite superior no arrependimento dos agentes. Em seguida, estendemos o referido algoritmo para lidar com informações não-locais, fornecidas por um serviço de navegação. Ao usar tais informações, os agentes são capazes de estimar melhor o arrependimento de suas ações, o que melhora seu desempenho. Finalmente, de modo a mitigar os efeitos do egoísmo dos agentes, propomos ainda um método genérico de pedágios baseados em custos marginais, onde os agentes são cobrados proporcionalmente ao custo imposto por eles aos demais. Neste sentido, apresentamos ainda um algoritmo de aprendizagem por reforço baseado em pedágios que, provamos, converge para o ótimo do sistema e é mais justo que outros existentes na literatura. / Multiagent reinforcement learning (MARL) is a challenging task, where self-interested agents concurrently learn a policy that maximise their utilities. Learning here is difficult because agents must adapt to each other, which makes their objective a moving target. As a side effect, no convergence guarantees exist for the general MARL setting. This thesis exploits a particular MARL problem, namely route choice (where selfish drivers aim at choosing routes that minimise their travel costs), to deliver convergence guarantees. We are particularly interested in guaranteeing convergence to two fundamental solution concepts: the user equilibrium (UE, when no agent benefits from unilaterally changing its route) and the system optimum (SO, when average travel time is minimum). The main goal of this thesis is to show that, in the context of route choice, MARL can be guaranteed to converge to the UE as well as to the SO upon certain conditions. Firstly, we introduce a regret-minimising Q-learning algorithm, which we prove that converges to the UE. Our algorithm works by estimating the regret associated with agents’ actions and using such information as reinforcement signal for updating the corresponding Q-values. We also establish a bound on the agents’ regret. We then extend this algorithm to deal with non-local information provided by a navigation service. Using such information, agents can improve their regrets estimates, thus performing empirically better. Finally, in order to mitigate the effects of selfishness, we also present a generalised marginal-cost tolling scheme in which drivers are charged proportional to the cost imposed on others. We then devise a toll-based Q-learning algorithm, which we prove that converges to the SO and that is fairer than existing tolling schemes.

Le domaine de recherche dans lequel s'inscrit ce travail de thèse est la théorie de la prédiction des suites individuelles. Cette dernière considère les problèmes d'apprentissage séquentiel pour lesquels on ne peut ou ne veut pas modéliser le problème de manière stochastique, et fournit des stratégies de prédiction très robustes. Elle englobe aussi bien des problèmes issus de la communauté du machine learning que de celle de la théorie des jeux répétés, et ces derniers sont traités avec des méthodes statistiques, incluant par exemple les techniques de concentration de la mesure ou de l'estimation adaptative. Les résultats obtenus aboutissent, entre autres, à des stratégies de minimisation des regrets externe et interne dans les jeux à information incomplète, notamment les jeux répétés avec signaux. Ces stratégies s'appliquent au problème d'ajustement séquentiel des prix de vente, ou d'allocation séquentielle de bande passante. Le regret interne est ensuite plus spécifiquement étudié, d'abord dans le cadre de l'investissement séquentiel dans le marché boursier, pour lequel des simulations sur des données historiques sont proposées, puis pour l'apprentissage des équilibres corrélés des jeux infinis à ensembles de stratégies convexes et compacts.