論文の概要: Learning with a Budget: Identifying the Best Arm with Resource Constraints

• arxiv url: http://arxiv.org/abs/2602.24146v1
• Date: Fri, 27 Feb 2026 16:21:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 19:48:24.512906
• Title: Learning with a Budget: Identifying the Best Arm with Resource Constraints
• Title（参考訳）: 予算による学習:資源制約によるベストアームの同定
• Authors: Zitian Li, Wang Chi Cheung,
• Abstract要約: 本稿では,資源制約を考慮したベストアーム識別(BAIwRC)問題について検討する。 まず,リソースアロケーションを古典的な逐次的フレームワークと統合して最適な腕識別を行うSH-RRアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 8.450904497835262
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many applications, evaluating the effectiveness of different alternatives comes with varying costs or resource usage. Motivated by such heterogeneity, we study the Best Arm Identification with Resource Constraints (BAIwRC) problem, where an agent seeks to identify the best alternative (aka arm) in the presence of resource constraints. Each arm pull consumes one or more types of limited resources. We make two key contributions. First, we propose the Successive Halving with Resource Rationing (SH-RR) algorithm, which integrates resource-aware allocation into the classical successive halving framework on best arm identification. The SH-RR algorithm unifies the theoretical analysis for both the stochastic and deterministic consumption settings, with a new \textit{effective consumption measure
• Abstract（参考訳）: 多くのアプリケーションにおいて、異なる代替案の有効性を評価するには、様々なコストやリソースの使用が伴う。 このような異種性によって動機付けられたBAIwRC(Best Arm Identification with Resource Constraints)問題(BAIwRC)は、エージェントがリソース制約の存在下で最適な代替品(別名アーム)を識別しようとする問題である。 各アームプルは1つ以上の制限されたリソースを消費する。 私たちは2つの重要な貢献をします。 まず,資源アロケーションを古典的連続的半減期フレームワークに統合し,最適な腕識別を行うSuccessive Halving with Resource Rationing (SH-RR)アルゴリズムを提案する。 SH-RRアルゴリズムは, 確率的および決定論的消費設定の理論的解析を新しい「textit{ Effective consumption measure」で統一する

関連論文リスト

• Multiple-play Stochastic Bandits with Prioritized Arm Capacity Sharing [52.124267908936396]
  このモデルは、$M$armと$K$playで構成されている。 各アームには複数の能力があり、各ユニットの能力は報酬関数に関連付けられている。 複数のプレーがアームキャパシティを競う場合、アームキャパシティは第1の優先重みで割り当てられる。
  論文  参考訳（メタデータ） (2025-12-25T11:19:09Z)
• Optimal Multi-Fidelity Best-Arm Identification [65.23078799972188]
  バンディットのベストアーム識別において、アルゴリズムは、できるだけ早く特定の精度で、最高平均報酬の腕を見つけることを任務とする。 マルチフィデリティのベストアーム識別について検討し、低コストで低いフィデリティ(正確な平均推定値を持たない)で腕をサンプリングすることを選択できる。 この問題に対処するためのいくつかの方法が提案されているが、その最適性は、特に最適な腕を特定するのに必要な総コストのゆるやかな下限のため、未解決のままである。
  論文  参考訳（メタデータ） (2024-06-05T08:02:40Z)
• Best Arm Identification with Resource Constraints [5.279257531335345]
  資源制約付きベストアーム識別(BAIwRC)問題について検討する。 エージェントは、各アームプルにリソースが消費されるリソース制約の下で、最適なアームを特定することを目的としている。 資源集約アルゴリズム(SH-RR)を設計・解析する。
  論文  参考訳（メタデータ） (2024-02-29T12:17:54Z)
• Constrained Pure Exploration Multi-Armed Bandits with a Fixed Budget [4.226118870861363]
  固定予算の下で、制約のある純粋な探索、多武装バンディットの定式化を検討する。 本稿では,Successive Rejects フレームワークに基づく textscConstrained-SR というアルゴリズムを提案する。 また, ある特別な場合において, 関連する崩壊速度は情報理論的下界に対してほぼ最適であることを示した。
  論文  参考訳（メタデータ） (2022-11-27T08:58:16Z)
• Resource-Aware Distributed Submodular Maximization: A Paradigm for Multi-Robot Decision-Making [3.5788754401889022]
  Resource-Aware Distributed Greedyは、各ロボットのオンボードリソースを独立して考慮した最初のアルゴリズムである。 RAGは、中央集権化のトレードオフを、グローバルな準最適性、分散化、ほぼ最小のオンボード計算、通信、メモリリソースのトレードオフとバランス付けます。
  論文  参考訳（メタデータ） (2022-04-15T15:47:05Z)
• Best Arm Identification under Additive Transfer Bandits [49.69203462561861]
  提案手法は, 未知であるにもかかわらず, ソースとターゲットMABインスタンスの間には, 付加的な関係があることが知られている。 本稿では,LUCBスタイルのアルゴリズムを理論的に解析し,高い確率で$epsilon$-optimal target armを同定する。
  論文  参考訳（メタデータ） (2021-12-08T02:20:18Z)
• Censored Semi-Bandits for Resource Allocation [12.450488894967773]
  我々は、検閲された半バンド構成でリソースを順次割り当てる問題を考える。 損失は2つの隠れたパラメータに依存する。1つはarmに固有のが、リソース割り当てには依存せず、もう1つは割り当てられたリソースに依存する。 MP-MABおよびCombinial Semi-Banditsの既知のアルゴリズムを使用して、問題設定に最適なアルゴリズムを導き出します。
  論文  参考訳（メタデータ） (2021-04-12T19:15:32Z)
• Coordinated Online Learning for Multi-Agent Systems with Coupled Constraints and Perturbed Utility Observations [91.02019381927236]
  本研究では, 資源制約を満たすため, エージェントを安定な集団状態へ誘導する新しい手法を提案する。 提案手法は,ゲームラグランジアンの拡張によるリソース負荷に基づく分散リソース価格設定手法である。
  論文  参考訳（メタデータ） (2020-10-21T10:11:17Z)
• Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications [119.81868223344173]
  本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。 本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:38:51Z)
• Hierarchical Adaptive Contextual Bandits for Resource Constraint based Recommendation [49.69139684065241]
  コンテキスト多重武装バンディット(MAB)は、様々な問題において最先端のパフォーマンスを達成する。 本稿では,階層型適応型文脈帯域幅法(HATCH)を提案する。
  論文  参考訳（メタデータ） (2020-04-02T17:04:52Z)

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。