Fugu-MT 論文翻訳(概要): Rising Rested MAB with Linear Drift

論文の概要: Rising Rested MAB with Linear Drift

arxiv url: http://arxiv.org/abs/2501.04403v1
Date: Wed, 08 Jan 2025 10:33:21 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-09 14:55:28.765268
Title: Rising Rested MAB with Linear Drift
Title（参考訳）: リニアドリフトを用いた昇降型MAB
Authors: Omer Amichay, Yishay Mansour,
Abstract要約: 我々は,期待されるアクションの報酬が,アクションの実行回数の線形関数に従う非定常的マルチアームバンディット(MAB)を考える。我々の主な結果は、上界と下界の両方を提供することで、$tildeTheta(T4/5K3/5)$の厳格な後悔境界である。
参考スコア（独自算出の注目度）: 45.08313464321654
License:
Abstract: We consider non-stationary multi-arm bandit (MAB) where the expected reward of each action follows a linear function of the number of times we executed the action. Our main result is a tight regret bound of $\tilde{\Theta}(T^{4/5}K^{3/5})$, by providing both upper and lower bounds. We extend our results to derive instance dependent regret bounds, which depend on the unknown parametrization of the linear drift of the rewards.
Abstract（参考訳）: 我々は,期待されるアクションの報酬が,アクションの実行回数の線形関数に従う非定常的マルチアームバンディット(MAB)を考える。我々の主な結果は、上界と下界の両方を提供することにより、$\tilde{\Theta}(T^{4/5}K^{3/5})$の厳密な後悔境界である。結果を拡張して、報酬の線形ドリフトの未知のパラメトリゼーションに依存するインスタンス依存の後悔境界を導出する。

関連論文リスト

Sparsity-Agnostic Linear Bandits with Adaptive Adversaries [19.84322270472381]
本研究では,各ラウンドにおいて,学習者が要素を選択して報酬を得る一連の行動(特徴ベクトル)を受信する線形帯域について検討する。期待される報酬は、選択されたアクションの固定だが未知の線形関数である。線形報酬関数の非ゼロ係数数$S$に依存するスパース後悔境界について検討する。
論文参考訳（メタデータ） (2024-06-03T10:54:58Z)
Horizon-Free Regret for Linear Markov Decision Processes [92.02082223856479]
最近の一連の研究は、強化学習における残念な境界が(ほぼ)計画的地平から独立していることを示している。我々は、人気のある線形マルコフ決定過程(MDP)設定に対して、最初の地平面自由境界を与える。遷移モデルを明示的に推定し、不均一な値関数を計算する先行研究とは対照的に、直接値関数と信頼集合を推定する。
論文参考訳（メタデータ） (2024-03-15T23:50:58Z)
Regret Lower Bounds in Multi-agent Multi-armed Bandit [14.822625665220068]
Multi-armed Banditは、後悔の証明可能な上限を持つメソッドを動機付けている。異なる設定にまたがる後悔の少ない境界について、初めて包括的な研究を行った。
論文参考訳（メタデータ） (2023-08-15T21:20:24Z)
PopArt: Efficient Sparse Regression and Experimental Design for Optimal Sparse Linear Bandits [29.097522376094624]
そこで我々はPopArtと呼ばれる単純で効率的なスパース線形推定法を提案する。我々は, 粗い線形バンディットアルゴリズムを導出し, 美術品の状態に対する後悔の上界の改善を享受する。
論文参考訳（メタデータ） (2022-10-25T19:13:20Z)
Reward Imputation with Sketching for Contextual Batched Bandits [48.80803376405073]
コンテキストバッチバンドイット(Contextual batched bandit、CBB)は、各エピソードの最後に環境から報酬のバッチを観測する設定である。 CBBの既存のアプローチは、実行されていないアクションの報酬を無視し、フィードバック情報の未利用につながることが多い。本研究では,未観測の報酬をスケッチを用いて完遂するSketched Policy Updating with Imputed Rewards (SPUIR)を提案する。
論文参考訳（メタデータ） (2022-10-13T04:26:06Z)
HOUDINI: Escaping from Moderately Constrained Saddles [14.277428617774875]
本研究では,不等式制約の対数的数の下で,(ノイズの多い)勾配降下法がサドル点から逃れることができることを示す。我々の結果は、正規降下と勾配降下の両方に当てはまる。
論文参考訳（メタデータ） (2022-05-27T03:36:27Z)
Relative Deviation Margin Bounds [55.22251993239944]
我々はRademacher複雑性の観点から、分布依存と一般家庭に有効な2種類の学習境界を与える。有限モーメントの仮定の下で、非有界な損失関数に対する分布依存的一般化境界を導出する。
論文参考訳（メタデータ） (2020-06-26T12:37:17Z)
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)
Tight Lower Bounds for Combinatorial Multi-Armed Bandits [72.56064196252498]
Combinatorial Multi-Armed Bandit 問題は、エージェントが各ラウンドで一組の腕を選択する、シーケンシャルな意思決定問題である。最近提案されたGini重み付き滑らか度パラメータが単調報酬関数の下限を決定することを示す。
論文参考訳（メタデータ） (2020-02-13T08:53:43Z)

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。