論文の概要: Contextual Slate GLM Bandits with Limited Adaptivity

• arxiv url: http://arxiv.org/abs/2606.31449v1
• Date: Tue, 30 Jun 2026 10:24:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.173909
• Title: Contextual Slate GLM Bandits with Limited Adaptivity
• Title（参考訳）: 適応性に制限のある文脈スレートGLM帯域
• Authors: Tanmay Goyal, Sukruta Prakash Midigeshi, Gaurav Sinha,
• Abstract要約: 適応性に制限のある一般化線形報酬を用いた文脈スレートバンドイット問題について検討する。 Batched と (b) Rarely-Switching という2つの限定適応性設定の下でアルゴリズムを提案する。 我々のアルゴリズムは計算効率が良く、スレートが2(N)$であるにもかかわらず、1ラウンドあたりのtextpoly(N)$時間しか必要としない。
• 参考スコア（独自算出の注目度）: 1.8843687952462742
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We investigate the contextual slate bandit problem with generalized linear rewards under limited adaptivity. At each round, the learner is presented with $N$ sets of items, where each item is represented by a $d$-dimensional feature vector. The learner then constructs a slate by selecting one item per set; the resulting slate yields a scalar reward sampled from a Generalized Linear Model (GLM). We propose algorithms under two limited-adaptivity settings: (a) Batched and (b) Rarely-Switching. For the batched setting, we introduce B-SlateGLinCB, which partitions the time horizon into $\mathcal{O}(\log\log T)$ batches such that each batch's policy relies only on data from previous batches. For the rarely-switching setting, we propose RS-SlateGLinCB, which adaptively performs only $\mathcal{O}(Nd\log T)$ parameter updates. Under a diversity assumption on the item sequences, we prove that B-SlateGLinCB and RS-SlateGLinCB achieve regret bounds of $\mathcal{O}(Nd^{3/2}\sqrt{T})$ and $\mathcal{O}(Nd\sqrt{T})$, respectively. Notably, both bounds are independent of the non-linearity parameter $κ$ that is typically found to scale the regret of GLM bandit algorithms. Our algorithms are computationally efficient, requiring only $\text{poly}(N)$ time per round despite $2^{Ω(N)}$ possible slates. Simulations show our algorithms outperform existing baselines with limited adaptivity and remain competitive with Slate-GLM-OFU, a fully adaptive state-of-the-art algorithm. Notably, a slightly modified B-SlateGLinCB empirically matches this baseline. Finally, we demonstrate strong performance in a practical in-context example selection task for language models.
• Abstract（参考訳）: 適応性に制限のある一般化線形報酬を用いた文脈スレートバンドイット問題について検討する。 各ラウンドでは、学習者には$N$のアイテムセットが提示され、各アイテムは$d$次元の特徴ベクトルで表現される。 次に、学習者は、セットごとに1つの項目を選択してスレートを構築する。その結果、一般化線形モデル(GLM)からサンプリングされたスカラー報酬を得る。 2つの限定適応性設定に基づくアルゴリズムを提案する。 (a)バッチして (b)レアリースイッチング。 バッチ設定では、B-SlateGLinCBを導入します。これは時間軸を$\mathcal{O}(\log\log T)$バッチに分割し、各バッチのポリシーが以前のバッチのデータのみに依存するようにします。 滅多にない設定では、パラメータ更新を$\mathcal{O}(Nd\log T)$だけ適応的に実行するRS-SlateGLinCBを提案する。 B-SlateGLinCB と RS-SlateGLinCB がそれぞれ $\mathcal{O}(Nd^{3/2}\sqrt{T})$ と $\mathcal{O}(Nd\sqrt{T})$ の後悔境界を達成することを証明している。 特に、どちらの境界も非線型性パラメータ $κ$ とは独立であり、GLMバンディットアルゴリズムの後悔を増大させるのが典型的である。 我々のアルゴリズムは計算効率が良く、$$2^{Ω(N)}$のスレートにもかかわらず、1ラウンドあたり$\text{poly}(N)$の時間しか必要としない。 シミュレーションにより,我々のアルゴリズムは,適応性に制限のある既存のベースラインよりも優れており,完全に適応した最先端のアルゴリズムであるSlate-GLM-OFUと競合することを示す。 特に、わずかに修飾されたB-SlateGLinCBがこのベースラインと経験的に一致する。 最後に,言語モデルのための実践的な実例選択タスクにおいて,高い性能を示す。

関連論文リスト

• Efficient Algorithms for Logistic Contextual Slate Bandits with Bandit Feedback [0.8287206589886881]
  本稿では,ロジスティック・コンテクスト・スレート・バンド問題について考察する。 選択したスレートに対して、ロジスティックモデルにより決定された単一のバイナリ報酬が観測される。 本稿では,Slate-GLM-OFUとSlate-GLM-TSの2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-06-16T07:19:02Z)
• Generalized Linear Bandits with Limited Adaptivity [12.112051468737596]
  限定適応性の制約内における一般化線形文脈帯域問題について検討する。 我々は2つのアルゴリズム, $textttB-GLinCB$ と $textttRS-GLinCB$ を提示した。
  論文  参考訳（メタデータ） (2024-04-10T08:47:57Z)
• Efficient Frameworks for Generalized Low-Rank Matrix Bandit Problems [61.85150061213987]
  一般化線形モデル (GLM) フレームワークを用いて, citelu2021low で提案した一般化低ランク行列帯域問題について検討する。 既存のアルゴリズムの計算不可能性と理論的制約を克服するため,まずG-ESTTフレームワークを提案する。 G-ESTT は $tildeO(sqrt(d_1+d_2)3/2Mr3/2T)$ bound of regret を達成でき、G-ESTS は $tildeO を達成できることを示す。
  論文  参考訳（メタデータ） (2024-01-14T14:14:19Z)
• Combinatorial Stochastic-Greedy Bandit [79.1700188160944]
  我々は,選択した$n$のアームセットのジョイント報酬以外の余分な情報が観測されない場合に,マルチアームのバンディット問題に対する新規グリーディ・バンディット(SGB)アルゴリズムを提案する。 SGBは最適化された拡張型コミットアプローチを採用しており、ベースアームの大きなセットを持つシナリオ用に特別に設計されている。
  論文  参考訳（メタデータ） (2023-12-13T11:08:25Z)
• Provably Efficient High-Dimensional Bandit Learning with Batched Feedbacks [93.00280593719513]
  本稿では,オンラインインタラクションのT$ステップをバッチに分割したバッチフィードバックによる高次元マルチアームコンテキストバンドレットについて検討する。 具体的には、各バッチは以前のバッチに依存するポリシーに従ってデータを収集し、その報酬はバッチの最後にのみ明らかにする。 我々のアルゴリズムは,$mathcalO( log T)$ バッチで完全に逐次的に設定されたものに匹敵する後悔の限界を達成している。
  論文  参考訳（メタデータ） (2023-11-22T06:06:54Z)
• Best Policy Identification in Linear MDPs [70.57916977441262]
  縮退した線形マルコフ+デルタ決定における最適同定問題について, 生成モデルに基づく固定信頼度設定における検討を行った。 複雑な非最適化プログラムの解としての下位境界は、そのようなアルゴリズムを考案する出発点として用いられる。
  論文  参考訳（メタデータ） (2022-08-11T04:12:50Z)
• 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)

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。