Fugu-MT 論文翻訳(概要): A Hierarchical Nearest Neighbour Approach to Contextual Bandits

論文の概要: A Hierarchical Nearest Neighbour Approach to Contextual Bandits

arxiv url: http://arxiv.org/abs/2312.09332v1
Date: Thu, 14 Dec 2023 20:42:54 GMT
ステータス: 処理完了
システム内更新日: 2023-12-18 18:00:40.921422
Title: A Hierarchical Nearest Neighbour Approach to Contextual Bandits
Title（参考訳）: コンテキストバンディットに対する階層的最近傍アプローチ
Authors: Stephen Pasteris, Chris Hicks, Vasilios Mavroudis
Abstract要約: 論文"Nearest neighbor with bandit feedback"ではこの問題に対処しているが、決定境界付近に多くの文脈がある場合、大きな後悔に悩まされる。本稿では、この問題を根絶し、後悔する項を計算する際に、任意の文脈を保留できるアルゴリズムを設計する。
参考スコア（独自算出の注目度）: 4.9094025705644695
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper we consider the adversarial contextual bandit problem in metric spaces. The paper "Nearest neighbour with bandit feedback" tackled this problem but when there are many contexts near the decision boundary of the comparator policy it suffers from a high regret. In this paper we eradicate this problem, designing an algorithm in which we can hold out any set of contexts when computing our regret term. Our algorithm builds on that of "Nearest neighbour with bandit feedback" and hence inherits its extreme computational efficiency.
Abstract（参考訳）: 本稿では,距離空間における逆文脈バンディット問題を考える。本稿は,「盗賊のフィードバックを伴う最初期の隣人」がこの問題に対処するが,コンパレータ政策の決定境界付近で多くの状況が生じると,大きな後悔に悩まされる。本稿では,後悔の項を計算する際に,任意の文脈を保持できるアルゴリズムを設計することにより,この問題を根絶する。このアルゴリズムは"ニーアレスト近傍のバンディットフィードバック"に基づいており,計算効率の極端さを継承している。

関連論文リスト

Nearly Optimal Algorithms for Contextual Dueling Bandits from Adversarial Feedback [58.66941279460248]
人からのフィードバックから学ぶことは、大言語モデル(LLM)のような生成モデルを調整する上で重要な役割を果たす本稿では,本問題の領域内モデルについて考察する。-文脈的デュエルバンディットと敵対的フィードバックを併用し,真の嗜好ラベルを敵によって反転させることができる。本稿では,不確実性重み付き最大推定に基づく頑健なコンテキストデュエルバンドイット(アルゴ)を提案する。
論文参考訳（メタデータ） (2024-04-16T17:59:55Z)
Feel-Good Thompson Sampling for Contextual Dueling Bandits [49.450050682705026]
FGTS.CDBという名前のトンプソンサンプリングアルゴリズムを提案する。われわれのアルゴリズムの核心は、デュエルバンディットに適した新しいFeel-Good探索用語である。我々のアルゴリズムは最小限の誤差、すなわち $tildemathcalO(dsqrt T)$, $d$ はモデル次元、$T$ は時間水平線である。
論文参考訳（メタデータ） (2024-04-09T04:45:18Z)
Optimal cross-learning for contextual bandits with unknown context distributions [28.087360479901978]
本稿では,バルセイロ等のクロスラーニング環境において,文脈的包括的アルゴリズムを設計する際の問題点について考察する。コンテクスト数によらずに$widetildeO(sqrtTK)$というほぼ厳密な(対数的要因まで)後悔境界を持つ効率的なアルゴリズムを提供する。アルゴリズムのコアとなるのは,複数のエポックにまたがるアルゴリズムの実行をコーディネートする新しい手法である。
論文参考訳（メタデータ） (2024-01-03T18:02:13Z)
Nearest Neighbour with Bandit Feedback [4.9094025705644695]
我々のアルゴリズムは、データ生成プロセスに関する仮定が全くなされていない完全に逆向きな設定を処理します。ユークリッド空間におけるバンドイト問題に適用した場合,アルゴリズムに対する一般的な後悔と解析を行う。
論文参考訳（メタデータ） (2023-06-23T20:09:01Z)
Contexts can be Cheap: Solving Stochastic Contextual Bandits with Linear Bandit Algorithms [39.70492757288025]
我々は,意思決定者がコンテキストを提供するコンテキスト線形帯域問題に対処する。文脈問題を線形バンディット問題として解くことができることを示す。この結果から,文脈的線形包帯に対して$O(dsqrtTlog T)$高確率残差が生じることが示唆された。
論文参考訳（メタデータ） (2022-11-08T22:18:53Z)
Complete Policy Regret Bounds for Tallying Bandits [51.039677652803675]
政策後悔は、適応的な敵に対してオンライン学習アルゴリズムのパフォーマンスを測定するという、よく確立された概念である。我々は,不完全な政策後悔を効果的に最小化できる敵の制限について検討する。我々は、$tildemathcalO(mKsqrtT)$の完全なポリシーを後悔するアルゴリズムを提供し、$tildemathcalO$表記は対数要素だけを隠す。
論文参考訳（メタデータ） (2022-04-24T03:10:27Z)
Upper Confidence Bounds for Combining Stochastic Bandits [52.10197476419621]
バンディットアルゴリズムを結合する簡単な手法を提案する。私たちのアプローチは、個々のbanditアルゴリズムのそれぞれを、より高いレベルのn$-armed bandit問題のアームとして扱う"meta-ucb"手順に基づいています。
論文参考訳（メタデータ） (2020-12-24T05:36:29Z)
Approximation Theory Based Methods for RKHS Bandits [9.391375268580806]
RKHSバンディット問題は、ノイズフィードバックを伴う非線形関数のオンライン最適化問題である。逆 RKHS バンディット問題に対する一般アルゴリズムは存在しない。本稿では, RKHSバンドイット問題に対する効率的なアルゴリズムと, RKHSバンドイット問題に対する最初の一般アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-10-23T05:14:21Z)
A Short Note on Soft-max and Policy Gradients in Bandits Problems [0.0]
バンディット問題に対するソフトマックス常微分方程式に対する後悔の束縛を与える短い議論を与える。我々は、またもやバンディット問題に対して、異なるポリシー勾配アルゴリズムに対して同様の結果を得る。
論文参考訳（メタデータ） (2020-07-20T17:30:27Z)
Stochastic Bandits with Linear Constraints [69.757694218456]
制約付き文脈線形帯域設定について検討し、エージェントの目標は一連のポリシーを作成することである。楽観的悲観的線形帯域(OPLB)と呼ばれる,この問題に対する高信頼束縛アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-06-17T22:32:19Z)
Corralling Stochastic Bandit Algorithms [54.10645564702416]
相関アルゴリズムの後悔は、最も報酬の高い腕を含む最高のアルゴリズムの後悔よりも悪くはないことを示す。最高報酬と他の報酬の差は、最高報酬と他の報酬の差に依存することを示す。
論文参考訳（メタデータ） (2020-06-16T15:33:12Z)

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。