Adapting multi-armed bandits policies to contextual bandits scenarios
这项工作探讨了适应成功的多武装土匪政策的在线上下文土匪的情况下,使用二进制分类算法,如逻辑回归作为黑箱神谕的二进制奖励。其中一些适应是通过自举或近似自举来实现的,而另一些则依赖于其他形式的随机性,从而产生比以前的作品更具可扩展性的方法,并且能够与任何类型的分类算法一起工作。特别是,自适应贪心算法表现出了很大的潜力,在许多情况下,实现了更好的性能比置信上限和汤普森采样策略,代价是更多的超参数调整。
2019-11-23 cs.LG stat.ML
Practical Calculation of Gittins Indices for Multi-armed Bandits
Lancaster University(兰卡斯特大学)
Gittins指数为经典的多臂强盗问题提供了一个最优解。使用它们的一个障碍是人们普遍认为它们的计算非常困难。本文给出了一种计算多臂强盗Gittins指数的通用方法,并详细研究了Bernoulli和Gaussian报酬的情况。伴随着易于使用的开源软件,这项工作消除了计算在这些常见的设置中使用Gittins索引的障碍。
2019-09-11 cs.LG stat.ML
The multi-armed bandit problem with covariates
Université Paris Diderot(巴黎第七大学);Princeton University(普林斯顿大学)
我们考虑一个多臂强盗问题的设置,每个手臂产生一个嘈杂的奖励实现依赖于一个可观察的随机协变量。与传统的静态多臂强盗问题相反,这种设置允许动态改变奖励,从而更好地描述边信息可用的应用。我们采用了一个非参数模型,其中预期的回报是协变量的光滑函数,并且问题的难度由保证金参数捕获。为了最大限度地提高预期的累积奖励,我们引入了一个政策,称为自适应装箱逐次淘汰(abse),自适应分解成适当的“本地化”的静态强盗问题的全球性问题。该策略使用连续消除(SE)策略的变体来构造自适应分区。我们的结果包括更清晰的遗憾界的se政策在一个静态的强盗问题和minimax最优遗憾界的abse政策在动态的问题。
2013-05-24 cs.LG math.ST stat.ML
OSOM: A simultaneously optimal algorithm for multi-armed and linear contextual bandits
University of California, Berkeley(加州大学伯克利分校)
我们考虑随机线性(多臂)上下文的强盗问题的可能性隐藏简单的多臂强盗结构的奖励是独立的上下文信息。已知仅针对其中一个机制设计的算法对于替代机制是次优的。我们设计了一个计算效率高的算法,同时获得问题相关的最优后悔率在简单的多臂土匪政权和最小最优后悔率在线性上下文土匪政权,而不知道先验的两个模型产生的奖励。在上下文信息多轮随机性的条件下证明了这些结果。我们的研究结果应被视为一个步骤,对有原则的数据依赖的政策类选择上下文土匪。
2020-10-06 cs.LG stat.ML
Transfer Learning for Contextual Multi-armed Bandits
University of Michigan(密歇根大学);University of Pennsylvania(宾夕法尼亚大学)
针对协变量偏移下的非参数上下文多臂老虎机,本文提出达到极小极大遗憾的迁移学习算法,并给出可自适应未知平滑度的近最优数据驱动方法。
2024-01-25 cs.LG math.ST stat.ML
Optimal Activation of Halting Multi-Armed Bandit Models
Rutgers University(罗格斯大学);University of Southern California(南加州大学)
本文提出 Halting Bandit 动态分配模型,并借此为经典 Gittins 指数分解及一般折旧与承诺情形下的近期多臂老虎机结果提供新证明。
2023-04-20 cs.LG stat.ML
Federated Multi-armed Bandits with Personalization
University of Virginia(弗吉尼亚大学);The Pennsylvania State University(宾夕法尼亚州立大学)
提出了一种个性化联邦多臂强盗(PF-MAB)的一般框架,它是一种类似于监督学习中联邦学习(FL)框架的新的强盗范式,具有FL的个性化特征。在PF-MAB框架下,研究了一种灵活平衡泛化和个性化的混合强盗学习问题。给出了混合模型的下界分析。然后,我们提出了个性化的联邦置信上限(PF-UCB)算法,其中的探索长度是精心选择,以实现所需的平衡学习的局部模型和提供全局信息的混合学习目标。理论分析表明,PF-UCB算法实现了与个性化程度无关的$O(\log(T))$遗憾,并具有与下界相似的实例依赖性.实验结果验证了理论分析的正确性,并证明了算法的有效性。
2021-02-25 cs.IT cs.LG math.IT
A Survey on Contextual Multi-armed Bandits
Carnegie Mellon University(卡内基梅隆大学)
在这个调查中,我们涵盖了一些随机和对抗性的上下文强盗算法。分析了每种算法的假设条件和遗憾界。
2016-02-01 cs.LG
Generalized Risk-Aversion in Stochastic Multi-Armed Bandits
Institute of Science and Technology Austria(奥地利科学技术研究所)
考虑随机多臂强盗中的后悔最小化问题,当衡量一个臂的优良性不是平均收益,而是均值和方差的一般函数时,我们刻画了学习可能的条件,并给出了没有自然算法能达到次线性后悔的例子.
2014-05-05 cs.LG stat.ML
Multiple Identifications in Multi-Armed Bandits
Princeton University(普林斯顿大学)
研究了多臂强盗博弈中最高$m$臂的识别问题。我们提出的解决方案依赖于一种新的算法,该算法基于对看似不好的武器的连续拒绝,以及对好武器的连续接受。这种算法的贡献允许解决以前无法实现的其他多重标识设置。特别是,我们表明,这种想法的连续接受和拒绝适用于多强盗最好的手臂识别问题。
2012-05-14 cs.LG stat.ML
A Parallel algorithm for $\mathcal{X}$-Armed bandits
Shanghai Jiao Tong University(上海交通大学);Nanjing University(南京大学)
$\mathcal{X}$ -armed bandit问题的目标是在给定有限的$n$估计的情况下,找到未知随机函数$f$的全局最大值.最近,$\mathcal{X}$ -武装匪徒已被广泛用于许多情况。这些应用程序中有许多需要处理大规模数据集。为了处理这些大规模的数据集,我们研究了一个分布式设置的$\mathcal{X}$武装土匪,其中$m$球员合作,以找到最大的未知函数。提出了一种新的任意时刻分布式$\mathcal{X}$武装强盗算法。与以前的工作相比,$\mathcal{X}$武装匪徒,我们的算法使用了一个完全不同的搜索策略,以适应分布式学习的情况。理论分析表明,该算法比传统的单人算法快$m$倍。此外,在$mn$中,该算法的通信轮数仅为对数。数值结果表明,该方法可以有效地利用每个局中人的资源,使损失最小化。因此,我们的分布式方法是有吸引力和有用的。
2015-10-26 cs.LG stat.ML
Building Bridges: Viewing Active Learning from the Multi-Armed Bandit Lens
Georgia Institute of Technology(佐治亚理工学院)
在本文中,我们提出了一个多臂强盗启发,池为基础的主动学习算法的问题的二进制分类。通过仔细构建一个类比之间的主动学习和多臂土匪,我们利用的想法,如置信下限,自洽正则化从多臂土匪文献设计我们提出的算法。我们的算法是一个顺序算法,它在每一轮中分配一个采样分布在池中,从这个分布中采样一个点,并查询这个采样点的标签的oracle。这种抽样分布的设计也受到了主动学习和多臂强盗之间的类比的启发。我们将展示如何推导出我们的算法所需的置信下限。与先前提出的主动学习算法的实验比较表明,在一些标准的UCI数据集上的性能优越。
2013-09-26 cs.LG stat.ML
Collaborative Learning with Limited Interaction: Tight Bounds for Distributed Exploration in Multi-Armed Bandits
Indiana University(印第安纳大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
多臂强盗中的最佳臂识别(或纯探索)是机器学习中的一个基本问题。在本文中,我们研究这个问题的分布式版本,我们有多个代理,他们希望学习最好的手臂协作。我们希望量化有限交互(或通信步骤)下的协作能力,因为在许多情况下交互是昂贵的。我们衡量的运行时间的分布式算法的加速比最好的集中式算法,只有一个代理。我们给几乎紧轮加速权衡这个问题,沿着我们开发了几种新的技术证明时间或置信度约束下的通信步骤的数量的下界。
2019-08-30 cs.IT cs.LG math.IT
Communication-Efficient Collaborative Regret Minimization in Multi-Armed Bandits
Indiana University(印第安纳大学)
本文研究多智能体多臂老虎机中并行性与通信开销的权衡,首次提出通信轮数与协作学习遗憾之间的权衡关系。
2023-12-21 cs.LG
A Survey on Practical Applications of Multi-Armed and Contextual Bandits
IBM Thomas J. Watson Research Center(IBM托马斯·J·沃森研究中心)
近年来,多臂强盗(MAB)框架在各种应用中吸引了大量的关注,从推荐系统和信息检索到医疗保健和金融,由于其出色的性能与某些有吸引力的属性相结合,例如从较少的反馈中学习。多臂强盗领域目前正在蓬勃发展,因为各种实际应用所激发的新问题设置和算法正在引入,建立在经典强盗问题之上。本文旨在提供一个全面的审查顶端最近的发展,在多臂土匪的多个现实生活中的应用。具体来说,我们介绍了一种常见的基于MAB的应用程序的分类,并总结了这些领域的最新技术。此外,我们还确定了当前的重要趋势,并提供了与这个令人兴奋和快速增长的领域的未来有关的新观点。
2019-04-02 cs.LG stat.ML
The End of Optimism? An Asymptotic Analysis of Finite-Armed Linear Bandits
Indiana University(印第安纳大学);University of Alberta(阿尔伯塔大学)
随机线性土匪是一个自然和简单的推广有限武装土匪与许多实际应用。目前的方法侧重于推广现有的技术有限武装土匪,特别是乐观原则和汤普森抽样。虽然以前的工作大多是在最坏的情况下设置,我们分析了渐近依赖实例的遗憾,并显示匹配的上限和下限是什么可以实现的。令人惊讶的是,我们的研究结果表明,基于乐观或汤普森采样的算法都不会达到最佳速率,甚至在非常简单的情况下,也可以任意远离最佳速率。这是一个令人不安的结果,因为这些技术是广泛用于顺序优化的标准工具。例如,对于广义线性强盗和强化学习。
2016-10-14 cs.LG stat.ML
How to gamble with non-stationary $\mathcal{X}$-armed bandits and have no regrets
WIAS Berlin(柏林魏尔斯特拉斯应用分析与随机学研究所)
在$\mathcal{X}$ -武装强盗问题中,代理顺序地与环境交互,环境基于代理提供的向量输入产生奖励。代理的目标是在一定数量的时间步长内最大化这些奖励的总和。这个问题及其变化一直是许多研究的主题,提出了次线性和有时最佳的策略。给定的文件介绍了一个新的变化的问题。我们考虑一个环境,它可以突然改变其行为未知的次数。为此,我们提出了一种新的策略,并证明它达到了次线性累积后悔。此外,在行动和相应的奖励之间的高度光滑的关系的情况下,该方法是接近最优的。理论分析结果得到了实验研究的支持。
2021-01-17 cs.LG math.ST stat.ML
Max K-armed bandit: On the ExtremeHunter algorithm and beyond
LTCI, Télécom ParisTech, Université Paris-Saclay(巴黎萨克雷大学 巴黎高科电信学院 LTCI实验室);IMT, Université de Toulouse(图卢兹大学 数学与计算机科学研究所)
本文致力于研究最大K臂强盗问题,该问题包括顺序分配资源以检测极端值。我们的贡献是双重的。我们首先对Carpentier和Valko(2014)中的ExtremeHunter算法进行了显著的改进,然后提出了一种替代方法,表明极端强盗可以在一定程度上简化为经典版本的强盗问题。除了正式的分析,这两种方法进行了比较,通过数值实验。
2017-07-27 cs.LG stat.ML
Medoids in almost linear time via multi-armed bandits
Stanford University(斯坦福大学);UC, Berkeley(加州大学伯克利分校)
计算高维空间中大量点的中心点是许多数据科学问题中越来越常见的操作。我们提出了一个算法Med-dit,它使用O(n log n)的距离评估计算medoid的概率很高。Med-dit基于与多臂强盗问题的联系。我们在Netflix-prize和单细胞RNA-Seq数据集上经验性地评估了Med-dit的性能,这些数据集包含生活在数万个维度中的数十万个点,并观察到性能比当前最先进的性能提高了5- 10倍。Med-dit可在https://github.com/bagavi/Meddit上获得
2017-11-07 cs.DS cs.IT cs.LG
Analysis of Thompson Sampling for Partially Observable Contextual Multi-Armed Bandits
情境多臂强盗是强化学习中与个体信息相关联的序列决策的经典模型。一个广泛使用的强盗策略是汤普森采样,其中来自数据驱动的关于未知参数的概率信念的样本用于选择控制动作。对于这种计算速度快的算法,性能分析可在全上下文观测下使用。然而,很少有人知道的问题,上下文不完全观察。我们提出了一个汤普森采样算法的部分可观察的上下文多武装土匪,并建立理论性能保证。从技术上讲,我们表明,所提出的政策尺度的遗憾与时间和武器的数量,线性的维度。此外,我们建立学习未知参数的速率,并提供说明性的数值分析。
2021-11-29 cs.LG stat.ML
Using Subjective Logic to Estimate Uncertainty in Multi-Armed Bandit Problems
University of Oslo(奥斯陆大学)
多臂强盗问题是一个经典的决策问题,其中一个代理必须学习一个最佳的行动平衡的探索和利用。正确管理这种权衡需要正确评估不确定性;在多臂强盗中,就像在其他机器学习应用中一样,区分系统固有的随机性(任意不确定性)和来自代理有限知识的随机性(认知不确定性)是很重要的。在本文中,我们认为主观逻辑的形式主义,一个简洁的和表达的框架来表达狄利克雷多项模型作为主观意见,我们将其应用到多武装匪徒的问题。我们提出了基于主观逻辑的新算法来解决多臂强盗问题,我们将它们与文献中的经典算法进行比较,并分析了它们在评估不确定性动态方面提供的见解。我们的初步研究结果表明,主观逻辑量,使有用的评估的不确定性,可以利用更精细的代理。
2020-08-17 cs.LG stat.ML
Correlated Multi-armed Bandits with a Latent Random Source
Carnegie Mellon University(卡内基梅隆大学)
我们考虑了一个新的多臂强盗框架,其中通过拉动手臂获得的奖励是一个共同的潜在随机变量的函数。由于共同随机源而导致的手臂之间的相关性可用于设计广义置信上限(UCB)算法,该算法将某些手臂识别为$non-competitive$,并避免探索它们。因此,我们将一个$K$ -武装的强盗问题转化为一个$C+1$ -武装的问题,其中$C+1$包括最好的武装和$C$ $competitive$武装.我们的遗憾分析表明,竞争性武器需要拉动$\mathcal{O}(\log T)$次,而非竞争性武器只需要拉动$\mathcal{O}(1)$次。因此,有制度,我们的算法实现了$\mathcal{O}(1)$遗憾,而不是典型的对数遗憾缩放的多臂强盗算法。我们还评估了预期遗憾的下限,并证明我们的相关UCB算法实现$\mathcal{O}(1)$遗憾只要可能。
2019-01-29 cs.LG stat.ML
Lifelong Learning in Multi-Armed Bandits
Centre Borelli, ENS Paris-Saclay(巴黎萨克雷高等师范学院博雷利中心);Cdiscount(Cdiscount公司);CREST, ENSAE Paris(巴黎经济与统计高等学校统计与经济研究中心);Criteo AI Lab(Criteo人工智能实验室)
持续学习和利用从先前任务积累的知识以提高未来性能是长期存在的机器学习问题。在本文中,我们研究了多臂强盗框架中的问题,目标是最小化一系列任务的总后悔。虽然大多数强盗算法的设计有一个低的最坏情况下的遗憾,我们在这里检查平均遗憾的强盗实例从一些先验分布,可能会随着时间的推移而变化。我们特别关注UCB算法的置信区间调整。我们提出了一个强盗的方法与贪心算法,我们进行了广泛的实验评估,在平稳和非平稳的环境。我们进一步将我们的解决方案的致命的强盗问题,显示经验的改进,比以前的工作。
2020-12-28 cs.LG stat.ML
Value Directed Exploration in Multi-Armed Bandits with Structured Priors
University of New Hampshire(新罕布什尔大学)
多武装匪徒是一个典型的机器学习问题,需要平衡探索和利用。虽然在开发具有强有力理论保证的算法方面取得了进展,但对实际接近最优的有限时间性能的关注较少。在本文中,我们提出了一个算法贝叶斯多武装土匪,利用价值函数驱动的在线规划技术。在UCB和Gittins指数的基础上,引入了线性可分的价值函数,它既考虑了预期收益,又考虑了探索的收益,从而实现了n步前视。该算法享有次线性的性能保证,我们目前的模拟结果,确认其强度与结构化的先验问题。我们的方法的简单性和通用性,使它成为一个强大的候选人分析更复杂的多臂土匪问题。
2017-05-17 cs.AI cs.LG stat.ML
Multi-armed Bandit Requiring Monotone Arm Sequences
Rotman School of Management, University of Toronto(多伦多大学罗特曼管理学院)
在许多在线学习或多臂强盗问题中,所采取的动作或拉动的手臂是有序的,并且要求随时间单调变化。例子包括动态定价,其中公司使用加价政策来取悦早期采用者并阻止战略等待,以及临床试验,其中剂量分配通常遵循剂量递增原则以防止剂量限制毒性。考虑了当要求臂序列单调时的连续臂强盗问题。我们证明了当未知目标函数是Lipschitz连续的时,后悔是$O(T)$。当目标函数为单峰或拟凹时,该算法的后悔率为$\tilde O(T^{3/4})$,也是最优的。这偏离了连续武装强盗文献中的最优速率$\tilde O(T^{2/3})$,并证明了单调性要求对学习效率的影响。
2021-10-06 cs.LG stat.ML
Pareto Regret Analyses in Multi-objective Multi-armed Bandit
Northwestern University(西北大学)
本文提出适用于随机与对抗设置的多目标多臂老虎机帕累托遗憾定义及相应算法,并证明其在对抗设置下最优、随机设置下近最优。
2023-05-30 cs.LG stat.ML
Trading off rewards and errors in multi-armed bandits
Inria SequeL;CMU EnLearn
研究多臂老虎机中准确识别臂均值与累积奖励之间的权衡,提出具有后悔保证的算法,通过实验验证上下界。
2026-10-06 cs.LG stat.ML
Deep Contextual Multi-armed Bandits
HubSpot, Inc.(HubSpot公司)
上下文多臂强盗问题经常出现在重要的工业应用中。现有的解决方案对上下文进行线性建模,这使得能够进行不确定性驱动的(原则性的)探索,或者通过使用ε贪婪探索策略进行非线性建模。在这里,我们提出了一个深度学习框架的上下文多武装匪徒,这是既非线性的,同时使原则性的探索。我们通过汤普森采样来解决探索与开发的权衡问题,方法是利用贝叶斯神经网络权重上的推理时间丢失与后验采样之间的联系。为了随着更多的数据提供给模型而自动调整探索的水平,辍学率是学习的,而不是被认为是一个超参数。我们证明,我们的方法大大减少了两个任务(UCI蘑菇任务和赌场奇偶校验任务)相比,1)非上下文土匪,2)ε贪婪的深度上下文土匪,和3)固定的辍学率深度上下文土匪的遗憾。我们的方法目前正在应用于营销优化问题在HubSpot。
2018-07-25 cs.LG stat.ML
Bridging Adversarial and Nonstationary Multi-armed Bandit
Rotman School of Management, University of Toronto(多伦多大学罗特曼管理学院);The Hong Kong University of Science and Technology(香港科技大学);School of Data Science, The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)数据科学学院)
本文提出统一的多臂老虎机框架,通过基于时间窗口的预言机平滑桥接对抗性与非平稳特例,并给出达到最优遗憾匹配下界的算法。
2023-11-26 cs.LG stat.ML
Indexability of Finite State Restless Multi-Armed Bandit and Rollout Policy
IIIT Allahabad(印度信息技术学院阿拉哈巴德分校)
该研究针对有限状态躁动多臂老虎机的无限时域折扣奖励最大化问题,分析单臂模型的可索引性,提出值迭代验证方法,还研究了在线rollout策略,实验表明二者性能均优于短视策略。
2023-04-30 cs.LG cs.SY eess.SY
Regret Analysis of Stochastic and Nonstochastic Multi-armed Bandit Problems
Princeton University(普林斯顿大学);Università degli Studi di Milano(米兰大学)
多臂强盗问题是具有探索-开发权衡的序列决策问题的最基本例子。这是在选择过去收益最高的选项和探索未来可能收益更高的新选项之间的平衡。虽然对强盗问题的研究可以追溯到30年代,但在一些现代应用中出现了探索-利用权衡,例如广告投放,网站优化和数据包路由。从数学上讲,多臂强盗是由与每个选项相关的支付过程定义的。在这个调查中,我们关注两个极端的案例,在这两个案例中,后悔的分析特别简单和优雅:i.i.d.收益和对抗性收益除了基本的设置,许多行动,我们还分析了一些最重要的变种和扩展,如上下文强盗模型。
2012-11-03 cs.LG stat.ML
PAC-Bayesian Lifelong Learning For Multi-Armed Bandits
Bosch Center for Artificial Intelligence(博世人工智能中心);University of Southern Denmark(南丹麦大学);Technische Universität Darmstadt(达姆施塔特工业大学)
我们提出了一个PAC贝叶斯分析终身学习。在终身学习问题中,一系列的学习任务被一次一个地观察,目标是将从以前的任务中获得的信息转移到新的学习任务中。我们考虑的情况下,每个学习任务是一个多臂强盗问题。我们得到的预期平均奖励,将获得下界,如果一个给定的多臂强盗算法运行在一个新的任务与特定的先验和一组步骤。我们提出了终身学习算法,使用我们的新的边界作为学习目标。我们提出的算法进行了评估,在几个终身多臂土匪问题,并发现执行比基线方法,不使用泛化界限。
2022-03-07 cs.LG stat.ML
A Survey of Online Experiment Design with the Stochastic Multi-Armed Bandit
University of British Columbia(不列颠哥伦比亚大学)
自适应序贯试验设计是众多领域的研究热点。我们调查和综合的在线统计学习范式的工作,被称为多武装土匪整合现有的研究作为资源,为某一类在线实验。我们首先探讨了传统的随机模型的多臂土匪,然后探讨该模型的并发症的分类方案,对于每个并发症涉及到一个特定的要求或考虑的实验设计背景。最后,在本文的最后,我们提出了一个表的所有研究算法的遗憾的已知上限提供了未来的理论工作的角度和决策工具的从业者寻找理论保证。
2015-11-03 cs.LG stat.ML
Transfer in Sequential Multi-armed Bandits via Reward Samples
Indian Institute of Science(印度科学学院);Robert Bosch Center for Cyber-Physical Systems(罗伯特·博世网络物理系统中心)
本文针对序贯多臂老虎机中奖励分布随回合变化的问题,提出一种基于UCB的样本迁移算法,利用历史回合奖励样本提升累积遗憾性能,实证显示优于标准UCB。
2024-03-19 cs.LG stat.ML
BanditMF: Multi-Armed Bandit Based Matrix Factorization Recommender System
多武装匪徒(MAB)提供了一个原则性的在线学习方法,以实现勘探和开发之间的平衡。多臂强盗算法由于其优越的性能和低反馈学习而无需学习在多种情况下采取行动,在推荐系统等应用中受到广泛关注。同样,在推荐系统中,协同过滤(CF)可以说是推荐系统中最早和最有影响力的方法。至关重要的是,新用户和不断变化的推荐项目池是推荐系统需要解决的挑战。对于协同过滤,经典的方法是离线训练模型,然后进行在线测试,但这种方法已经不能处理用户偏好的动态变化,即所谓的冷启动。那么在缺乏有效信息的情况下,如何有效地向用户推荐商品呢?为了解决上述问题,一个多臂强盗的协同过滤推荐系统已被提出,命名为BanditMF。BanditMF主要解决多臂Bandits算法和协同过滤中的两个难题:(1)如何解决有效信息稀缺条件下协同过滤的冷启动问题;(2)如何解决强社会关系域中Bandits算法由于独立估计与每个用户相关的未知参数而忽略用户之间的相关性而导致的次优问题。
2022-10-24 cs.IR cs.LG
Contextual Multi-Armed Bandits for Causal Marketing
这项工作探讨了因果关系的多臂强盗方法自动化营销的想法,在那里我们估计和优化的因果(增量)影响。专注于因果效应导致更好的投资回报率(ROI),只针对那些不会采取有机行动的可说服客户。我们的方法借鉴了因果推理,隆起建模和多武装土匪的优势。它优化了因果治疗效果,而不是纯粹的结果,并在数据汇集中纳入了反事实生成。根据升级建模结果,我们对增量业务指标进行了优化。多臂强盗方法允许我们扩展到多个治疗,并对记录的数据执行非策略策略评估。特别是汤普森抽样策略,使类似的客户背景和反事实结果的具体化的治疗探索。初步的离线实验零售时尚营销数据集显示我们的建议的优点。
2018-10-02 cs.LG stat.ML
Optimally Confident UCB: Improved Regret for Finite-Armed Bandits
University of Alberta(阿尔伯塔大学)
我提出了第一个算法随机有限武装土匪,同时享有秩序最优问题相关的遗憾和最坏情况下的遗憾。新算法除具有理论上的结果外,还具有简单、高效和经验上的优越性.该方法是基于UCB,但精心选择的置信参数,最佳平衡的风险,失败的置信区间对过度乐观的成本。
2016-02-24 cs.LG math.OC
Query-Reward Tradeoffs in Multi-Armed Bandits
Technion – Institute of Technology(以色列理工学院);Meta;Nvidia Research(英伟达研究院)
我们考虑一个随机的多臂强盗设置奖励必须积极查询它被观察到。我们提供了严格的下限和上限的问题相关的保证遗憾和查询的数量。有趣的是,我们证明了一个独特的和多个最佳武器的问题之间有一个根本的区别,不像在标准的多臂强盗问题。我们还提出了一个新的,简单的,UCB风格的采样概念,并表明,它自然地适应最佳武器的数量,并实现严格的遗憾和查询范围。
2022-10-27 cs.LG
Lower Bounds for Multi-armed Bandit with Non-equivalent Multiple Plays
Yandex(扬德克斯)
我们研究了随机多臂强盗问题与非等价多个播放,在每一步,代理选择不仅是一组武器,但他们的顺序,这影响奖励分配。在几个问题的配方与不同的假设,我们提供了标准的渐近$O(\log{t})$,但新的系数,并提供最佳的算法,遗憾的下限,从而证明这些界限不能得到改善。
2015-07-17 cs.LG
Non-trivial two-armed partial-monitoring games are bandits
University of Alberta(阿尔伯塔大学)
我们认为在线学习在部分监控游戏对一个健忘的对手。我们表明,当学习者的行动数量是两个和游戏是非平凡的,那么它是一个强盗般的游戏,从而极大极小遗憾是$Θ(\sqrt{T})$。
2011-08-24 cs.LG
Differential Privacy for Multi-armed Bandits: What Is It and What Is Its Cost?
Chalmers University of Technology(查尔姆斯理工大学)
基于差分隐私(DP)框架,引入并统一了多臂强盗算法的隐私定义。我们用一个统一的图形模型来表示框架,并使用它来连接隐私定义。我们推导出并对比了满足这些定义的强盗算法的遗憾下界。我们利用统一的证明技术来实现所有的下限。我们发现,对于所有这些,学习者的遗憾增加了一个乘法因子依赖于隐私级别$ε$。我们观察到,当我们不需要本地差分隐私的奖励的依赖性较弱。
2020-06-23 cs.LG stat.ML
Multi-armed Bandit Problem with Known Trend
Orange Labs(Orange实验室)
我们考虑多臂强盗模型的一个变体,我们称之为具有已知趋势的多臂强盗问题,其中赌徒知道每个臂的奖励函数的形状,但不知道其分布。这个新问题的动机是不同的在线问题,如主动学习,音乐和界面推荐应用程序,其中当手臂被模型采样时,收到的奖励根据已知的趋势变化。通过调整标准的多臂强盗算法UCB 1,以利用这一设置,我们提出了新的算法命名为A-UCB,假设一个随机模型。我们提供的遗憾的上限相比,有利的UCB 1。我们还证实,实验与不同的模拟
2017-05-10 cs.LG
Diminishing Exploration: A Minimalist Approach to Piecewise Stationary Multi-Armed Bandits
Institute of Communications Engineering(通信工程研究所);National Yang Ming Chiao Tung University(国立阳明交通大学)
针对现有分段平稳多臂老虎机算法需已知变点数量或计算复杂度高的问题,提出无需预知变点数量的递减探索机制,结合现有变点检测算法实现近最优遗憾缩放,实验验证其经验遗憾优于传统均匀探索。
2024-10-08 cs.IT cs.LG math.IT
Coordination without communication: optimal regret in two players multi-armed bandits
Microsoft Research(微软研究院);University of British Columbia(不列颠哥伦比亚大学)
我们考虑两个代理人同时玩同一个随机三臂强盗问题。两个特工在合作,但他们无法沟通。我们提出了一个策略,没有冲突的球员之间的所有(具有非常高的概率),并接近最佳的遗憾$O(\sqrt{T \log(T)})$。我们还认为,额外的对数项$\sqrt{\log(T)}$应该是必要的,通过证明一个完整的信息变量的问题的下限。
2020-07-09 cs.GT cs.LG cs.MA
Instrument-Armed Bandits
Cornell University(康奈尔大学)
我们扩展了经典的多臂强盗(MAB)模型的设置不遵守,其中的手臂拉是一个纯粹的工具和应用的治疗可能会有所不同,这就产生了仪器武装强盗(IAB)的问题。只要实验单位是人,IAB设置就相关,因为自由意志、伦理和法律可能禁止无限制或强制应用治疗。特别是,该设置是相关的动态临床试验和其他对照试验对人类干预的土匪模型。尽管如此,在强盗文学中并没有充分研究过这种背景。我们发现,有各种各样的和不同的概念,遗憾在这种情况下,所有这些都只在经典的MAB设置相吻合。我们描述这些遗憾的行为,并分析标准的MAB算法。我们认为,一种特殊的遗憾,捕获的因果关系的治疗效果,但标准的MAB算法不能实现次线性控制这种遗憾。相反,我们开发了新的算法IAB问题,证明了新的遗憾的界限,并将它们与标准的MAB算法的数值例子。
2017-05-21 cs.LG stat.ML
Batched Thompson Sampling for Multi-Armed Bandits
Indiana University Bloomington(印第安纳大学伯明顿分校)
我们研究汤普森抽样算法的随机多武装土匪在批量设置,在其中,我们希望尽量减少遗憾的一系列手臂拉使用少量的政策变化(或批次)。我们提出了两个算法,并通过实验证明了它们的有效性在合成和真实的数据集。我们还分析了所提出的算法从理论方面,并获得几乎紧的遗憾批次权衡双臂的情况下。
2021-08-15 cs.LG
Sequential Transfer in Multi-armed Bandit with Finite Set of Models
Carnegie Mellon University(卡内基梅隆大学);INRIA Lille - Nord Europe(法国国家信息与自动化研究所里尔-北欧分部)
从先前的任务中学习,并将这些经验转移到提高未来的表现上,对于构建终身学习代理至关重要。虽然监督学习和强化学习的结果表明迁移可以显着提高学习性能,但大多数关于迁移的文献都集中在批量学习任务上。在本文中,我们研究的问题\textit{sequential transfer in online learning},特别是在多臂强盗框架,其目标是尽量减少累积遗憾的一系列任务,通过逐步转移知识,从以前的任务。我们介绍了一种新的强盗算法的基础上的矩量法的方法估计的可能的任务,并获得遗憾的界限。
2013-07-25 cs.LG stat.ML
Stochastic Multi-armed Bandits with Non-stationary Rewards Generated by a Linear Dynamical System
Washington University in St. Louis(圣路易斯华盛顿大学)
随机多臂强盗为研究未知环境下的决策问题提供了一个框架。我们提出了一个变种的随机多臂强盗的奖励是从随机线性动力系统采样。这种随机多臂强盗变体的建议策略是学习动力系统的模型,同时根据学习的模型选择最佳动作。受Merton提出的跨期资本资产定价模型和Fernholz提出的随机投资组合理论等数学金融领域的启发,这一策略被应用于量化金融作为高频交易策略,其目标是在一段时间内实现收益最大化。
2022-04-06 cs.LG cs.SY eess.SY
Bounded Regret for Finite-Armed Structured Bandits
University of Alberta(阿尔伯塔大学);INRIA(法国国家信息与自动化研究所)
研究了一类新的K-臂强盗问题,其中一个臂的期望收益可能依赖于其他臂的收益。我们提出了一个新的算法,这一般类问题,并表明,在某些情况下,它是可能实现有限的预期累积遗憾。我们还给出了问题相关的累积遗憾的下界,表明至少在特殊情况下,新算法是接近最优的。
2014-11-11 cs.LG
Multi-Armed Bandits with Correlated Arms
Carnegie Mellon University(卡内基梅隆大学)
我们考虑一个多臂强盗框架,其中通过拉动不同的手臂获得的奖励是相关的。我们开发了一个统一的方法来利用这些奖励的相关性,并提出了基本概括的经典强盗算法的相关设置。我们提出了一个统一的证明技术来分析所提出的算法。C-UCB的严格分析(相关的强盗版本的上限置信度)表明,该算法最终拉某些次优的武器,称为非竞争性,只有O(1)倍,而不是O(log T)拉所需的经典强盗算法,如UCB,TS等,我们提出了遗憾的下限,并表明,当武器相关通过一个潜在的随机源,我们的算法获得订单最优后悔。我们通过MovieLens和Goodreads数据集上的实验验证了所提出的算法,并显示出比经典的强盗算法有显着的改进。
2021-09-10 cs.LG stat.ML
An Asymptotically Optimal Strategy for Constrained Multi-armed Bandit Problems
Sogang University(西江大学)
对于随机多臂强盗(MAB)问题,从一个约束模型,推广经典的,我们证明了一个渐近最优性是可以实现的一个简单的策略扩展从$ε_t$ -贪婪的战略。我们提供了一个有限的时间下界的概率正确选择的最佳近可行的手臂,持有所有的时间步骤。在某些条件下,当时间$t$趋于无穷大时,该界趋近于1。还讨论了具有$(1-\frac{1}{t})^4$数量级的渐近收敛速率的$\{ε_t\}$的特定示例序列,该序列从足够大的$t$成立。
2018-05-03 cs.LG math.OC stat.ML
Incentivized Exploration for Multi-Armed Bandits under Reward Drift
University of Colorado, Boulder(科罗拉多大学博尔德分校);University of Virginia(弗吉尼亚大学);Clemson University(克莱姆森大学)
我们研究激励探索的多臂强盗(MAB)的问题,玩家获得补偿探索武器以外的贪婪的选择,并可能提供有偏见的反馈奖励。我们试图通过分析激励MAB算法的三个实例的性能来理解这种漂移的奖励反馈的影响:UCB,$\varepsilon$ -贪婪和汤普森采样。研究结果表明,在漂移报酬下,它们都实现了$\mathcal{O}(\log T)$后悔和补偿,因此在激励探索方面是有效的。最后给出了数值算例以补充理论分析。
2019-12-16 cs.LG stat.ML
Risk-Averse Multi-Armed Bandit Problems under Mean-Variance Measure
Cornell University(康奈尔大学)
主要研究了在长度为$T$的水平上期望总报酬测度下的多臂强盗问题。在本文中,我们解决的问题,多臂土匪问题的风险,并开发下的均值方差,在经济学和金融数学中常用的风险措施的措施平行的结果。我们证明了模型特定的后悔和模型独立的后悔的平均方差的奖励过程是下界$Ω(\log T)$和$Ω(T^{2/3})$,分别。然后,我们表明,变化的UCB政策和DSEE政策的经典风险中性MAB实现这些下限。
2017-08-14 cs.LG
Modeling Human Decision-making in Generalized Gaussian Multi-armed Bandits
Princeton University(普林斯顿大学)
我们提出了一个正式的人类决策模型,在探索利用任务的背景下,多臂强盗问题,决策者必须选择多个选项与不确定的回报。我们解决了标准的多臂强盗问题,多臂强盗问题的转移成本,和多臂强盗问题的图。我们专注于高斯奖励的情况下,决策者使用贝叶斯推理来估计奖励值。我们的模型与贝叶斯先验的平均回报决策者的先验知识。我们开发的可信上限(UCL)算法的标准多臂强盗问题,并表明,这种确定性算法实现对数累积预期遗憾,这是最佳性能的无信息先验。我们展示了如何良好的先验和良好的假设武器之间的相关性结构可以大大提高决策性能,即使在很短的时间范围内。我们扩展到随机UCL算法,并得出几个连接到人类的决策行为。我们目前的经验数据,从人类的实验,并表明,人类的表现是有效地捕捉随机UCL算法与适当的参数。对于带转移费用的多臂强盗问题和图上的多臂强盗问题,分别将UCL算法推广为块UCL算法和图块UCL算法.我们表明,这些算法也实现了对数累积预期遗憾,并需要一个亚对数预期数量的武器之间的过渡。我们进一步说明了这些算法的性能与数值例子。注:本版本中包含的附录G详细说明了对先前发布的证明中的疏忽进行的微小修改。本书的其余部分反映了已发表的作品。
2019-12-20 cs.LG math.OC stat.ML