論文の概要: Approximate information maximization for bandit games

• arxiv url: http://arxiv.org/abs/2310.12563v2
• Date: Mon, 30 Oct 2023 08:43:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-01 22:12:13.099311
• Title: Approximate information maximization for bandit games
• Title（参考訳）: バンディットゲームにおける近似情報最大化
• Authors: Alex Barbier-Chebbah (IP, CNRS, UPCit\'e), Christian L. Vestergaard (IP, CNRS, UPCit\'e), Jean-Baptiste Masson (IP, CNRS, UPCit\'e), Etienne Boursier (INRIA Saclay)
• Abstract要約: 本稿では,システム内のキー変数の情報ゲインに対する近似を最大化する新しい帯域幅アルゴリズムを提案する。 経験的成功により,ガウス報酬を用いた二本腕バンディット問題に対する最適性を証明する。 このアプローチはより複雑なバンディット設定に効率よく適応することができ、マルチアームバンディット問題に対する情報アプローチのさらなる調査を求めることができる。
• 参考スコア（独自算出の注目度）: 1.5672115019395867
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Entropy maximization and free energy minimization are general physical principles for modeling the dynamics of various physical systems. Notable examples include modeling decision-making within the brain using the free-energy principle, optimizing the accuracy-complexity trade-off when accessing hidden variables with the information bottleneck principle (Tishby et al., 2000), and navigation in random environments using information maximization (Vergassola et al., 2007). Built on this principle, we propose a new class of bandit algorithms that maximize an approximation to the information of a key variable within the system. To this end, we develop an approximated analytical physics-based representation of an entropy to forecast the information gain of each action and greedily choose the one with the largest information gain. This method yields strong performances in classical bandit settings. Motivated by its empirical success, we prove its asymptotic optimality for the two-armed bandit problem with Gaussian rewards. Owing to its ability to encompass the system's properties in a global physical functional, this approach can be efficiently adapted to more complex bandit settings, calling for further investigation of information maximization approaches for multi-armed bandit problems.
• Abstract（参考訳）: エントロピー最大化と自由エネルギー最小化は、様々な物理系の力学をモデル化するための一般的な物理原理である。 例えば、自由エネルギー原理を用いた脳内意思決定のモデル化、情報ボトルネック原理による隠れ変数へのアクセス時の精度・複雑さトレードオフの最適化(Tishby et al., 2000)、情報最大化を用いたランダム環境におけるナビゲーション(Vergassola et al., 2007)などがある。 この原理に基づいて,システム内のキー変数の情報に対する近似を最大化する新しい帯域幅アルゴリズムを提案する。 この目的のために,エントロピーの近似解析物理学に基づく表現を開発し,各動作の情報ゲインを予測し,情報ゲインが最も大きいものを選択する。 この手法は古典的なバンディット設定において強力なパフォーマンスをもたらす。 経験的成功により,ガウス報酬を伴う二本腕バンディット問題に対する漸近的最適性を証明する。 システムの性質をグローバルな物理関数に包含する能力のため、このアプローチはより複雑な帯域幅設定に効率的に適応することができ、マルチアーム帯域幅問題に対する情報最大化アプローチのさらなる研究を求めることができる。

関連論文リスト

• Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
  本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。 注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
  論文  参考訳（メタデータ） (2024-09-20T07:41:47Z)
• SynerGraph: An Integrated Graph Convolution Network for Multimodal Recommendation [1.3812010983144802]
  本稿では,マルチモーダルデータの統合と浄化に焦点をあてた,マルチモーダルレコメンデーションシステムに対する新しいアプローチを提案する。 各種データからノイズを除去するフィルタを開発し,提案手法の信頼性を高めた。 我々は、各データセットに対するトップKスパリフィケーションの影響を調査し、不適合と過適合のバランスをとる最適な値を発見した。
  論文  参考訳（メタデータ） (2024-05-29T12:18:32Z)
• Robust Explainable Recommendation [10.186029242664931]
  本稿では,外部攻撃に耐えられる機能対応型レコメンデータの汎用フレームワークを提案する。 私たちのフレームワークは、モデルの内部構造や本質的なユーティリティに関係なく、実装が簡単で、異なるメソッドをサポートします。
  論文  参考訳（メタデータ） (2024-05-03T05:03:07Z)
• Optimistic Active Exploration of Dynamical Systems [52.91573056896633]
  我々はOPAXと呼ばれる活発な探索のためのアルゴリズムを開発した。 我々は,OPAXを各エピソードで解決可能な最適制御問題に還元する方法を示す。 実験の結果,OPAXは理論的に健全であるだけでなく,新規な下流タスクのゼロショット計画にも有効であることがわかった。
  論文  参考訳（メタデータ） (2023-06-21T16:26:59Z)
• Maximum entropy exploration in contextual bandits with neural networks and energy based models [63.872634680339644]
  モデルには2つのクラスがあり、1つはニューラルネットワークを報酬推定器とし、もう1つはエネルギーベースモデルを示す。 両手法は、エネルギーベースモデルが最も優れた性能を持つ、よく知られた標準アルゴリズムより優れていることを示す。 これは、静的および動的設定でよく機能する新しいテクニックを提供し、特に連続的なアクション空間を持つ非線形シナリオに適している。
  論文  参考訳（メタデータ） (2022-10-12T15:09:45Z)
• Quantum bandit with amplitude amplification exploration in an adversarial environment [9.563657204041682]
  本稿では,学習適応型オフロード問題に対する量子インスパイアされた帯域幅学習手法を提案する。 量子理論における振幅増幅と崩壊によって引き起こされる新しい行動更新戦略と新しい確率的行動選択が採用されている。 提案アルゴリズムは、設計したマッピングにより、好ましくない動作に対する学習重量調整を改善するために一般化される。
  論文  参考訳（メタデータ） (2022-08-15T12:40:34Z)
• A Generalized Weighted Optimization Method for Computational Learning and Inversion [15.535124460414588]
  雑音データを用いた計算学習と逆変換のための一般化された重み付き最小二乗最適化法を解析する。 学習手法の一般化誤差に対する重み付け方式の影響を特徴付ける。 先行知識からの適切な重み付けが学習モデルの一般化能力を向上させることを実証する。
  論文  参考訳（メタデータ） (2022-01-23T10:35:34Z)
• APS: Active Pretraining with Successor Features [96.24533716878055]
  非エントロピーと後継指標であるHansenFastを再解釈して組み合わせることで、難解な相互情報を効率的に最適化できることを示す。 提案手法は,非エントロピーを用いて環境を探索し,探索したデータを効率的に活用して動作を学習する。
  論文  参考訳（メタデータ） (2021-08-31T16:30:35Z)
• Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian Modeling [68.69431580852535]
  サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。 我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。 我々は2つの異なる社会問題に対してアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2021-07-07T03:57:22Z)
• Active Model Estimation in Markov Decision Processes [108.46146218973189]
  マルコフ決定過程(MDP)をモデル化した環境の正確なモデル学習のための効率的な探索の課題について検討する。 マルコフに基づくアルゴリズムは,本アルゴリズムと極大エントロピーアルゴリズムの両方を小サンプル方式で上回っていることを示す。
  論文  参考訳（メタデータ） (2020-03-06T16:17:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。