論文の概要: Coordinating the Unknown Lipschitz Constant in Multiplayer Bandits

• arxiv url: http://arxiv.org/abs/2608.10526v1
• Date: Tue, 11 Aug 2026 06:06:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.923521
• Title: Coordinating the Unknown Lipschitz Constant in Multiplayer Bandits
• Title（参考訳）: マルチプレイヤーバンドにおける未知リプシッツ定数のコーディネート
• Abstract要約: リプシッツ定数が未知の連続(リプシッツ)作用空間における協調的マルチエージェントバンディットについて検討した。 我々は、(A)報奨付き未観測行動、(B)報奨付き未観測行動、(C)報奨付き未観測行動の3つの情報構造を考察する。
• 参考スコア（独自算出の注目度）: 1.3700362496838856
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Motivated by decentralized applications, we study cooperative multi-agent bandits in continuous (Lipschitz) action spaces when the Lipschitz constant is unknown. We consider three information structures: (A)~unobserved actions with common rewards, (B)~observed actions with independent rewards, and (C)~unobserved actions with independent rewards. In each case we design and analyze an algorithm that estimates the Lipschitz constant, chooses a discretization of the joint action space, and applies a cooperative bandit method to the induced discrete problem. Players never communicate once learning starts, so the central difficulty is that they must reach the \emph{same} discretization from their own data. We prove regret guarantees showing that common rewards and observable actions each supply this agreement for free, and that in their absence agreement can still be bought, through a dithered quantization of the estimate, at no cost in the leading order of the regret.
• Abstract（参考訳）: リプシッツ定数が未知の連続(リプシッツ)作用空間における協調的マルチエージェントバンディットについて検討する。 A)-------------------------------------------------------------------------------------------------- -------------------------------------------------------------------- それぞれのケースにおいて、リプシッツ定数を推定するアルゴリズムを設計、解析し、共同動作空間の離散化を選択し、誘導離散問題に協調的バンディット法を適用する。 プレイヤーは一度学習を始めると決してコミュニケーションをとらないので、中心的な困難は、自分のデータから \emph{same} の離散化に到達しなければならないことである。 我々は、共通の報酬及び観察可能な行動が、この協定を無償で提供し、その不在合意において、その償却の先導的な順序において、その償いなく、見積の希薄な定量化を通じて、なおも購入可能であることを示す後悔の保証を証明している。

関連論文リスト

• The Price of Decentralization in Top-$K$ Arm Identification [1.3700362496838856]
  マルチエージェント・マルチアーム・バンディットにおけるトップ$K$のジョイントアーム識別について検討する。 エージェントは、ジョイントアームを構成する個々のアクションを同時に選択する。 共有逆同定は1つの普遍対数係数まで最適であることを示す。
  論文  参考訳（メタデータ） (2026-08-22T22:22:06Z)
• Robust Multi-Agent Bandits with Heavy-Tailed Rewards and Information Asymmetry [1.1689657956099038]
  重み付き報酬を持つマルチエージェントマルチアームバンドを3つの情報非対称性条件下で検討した。 我々は各設定ごとに頑健な分散アルゴリズムを開発し、集中的な重み付け率にほぼ一致するという後悔の保証を導出する。
  論文  参考訳（メタデータ） (2026-08-11T06:10:42Z)
• Latent Order Bandits [11.231384213521489]
  Banditアルゴリズムは、様々なシーケンシャルな意思決定問題を解決するが、多くの場合、オフスクラッチのパーソナライゼーションにはサンプル非効率である。 本稿では,各状態における行動選好の部分的順序に関する事前知識のみを必要とするため,潜在順序選好(LOB)を提案する。 LOBは、アクションの部分的な順序が共有されている限り、同じ状態のインスタンスを報酬分布で変更することができる。
  論文  参考訳（メタデータ） (2026-05-08T06:15:21Z)
• Multi-Agent Lipschitz Bandits [7.465238700168576]
  連続的なリプシッツ構造を有するアクション空間上での分散マルチプレイヤーバンディット問題について検討する。 そこで本稿では,この問題を独立したシングルプレイヤーLipschitzブリストレットに分離するプロトコルを提案する。 我々は、$tildeO(T(d+1)/(d+2))$と$T$非依存的な調整コストのほぼ最適の後悔境界を確立し、シングルプレイヤーレートに適合する。
  論文  参考訳（メタデータ） (2026-02-18T23:58:36Z)
• Incentivized Lipschitz Bandits [7.465238700168576]
  連続距離空間の要素としてモデル化された無限に多くの腕を持つマルチアームバンディット(MAB)設定におけるインセンティブ付き探索について検討する。 本稿では,無限のアーム空間を均一に識別する新たなインセンティブ付き探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-08-26T22:54:29Z)
• Continuous K-Max Bandits [54.21533414838677]
  我々は、連続的な結果分布と弱い値-インデックスフィードバックを持つ、$K$-Maxのマルチアームバンディット問題について検討する。 この設定は、レコメンデーションシステム、分散コンピューティング、サーバスケジューリングなどにおいて重要なアプリケーションをキャプチャします。 我々の重要な貢献は、適応的な離散化とバイアス補正された信頼境界を組み合わせた計算効率の良いアルゴリズムDCK-UCBである。
  論文  参考訳（メタデータ） (2025-02-19T06:37:37Z)
• Stochastic Bandits for Egalitarian Assignment [58.33714486693828]
  我々は,多武装盗賊の文脈における平等的課題であるEgalMABについて検討する。 UCBベースのポリシーEgalUCBを設計・分析し、累積的後悔の上限を確立する。
  論文  参考訳（メタデータ） (2024-10-08T09:49:47Z)
• Provably Efficient Reinforcement Learning for Adversarial Restless Multi-Armed Bandits with Unknown Transitions and Bandit Feedback [11.262167746929332]
  Restless Multi-armed bandits (RMAB)は、シーケンシャルな意思決定問題のモデル化において中心的な役割を果たす。 本稿では,未知の遷移関数と対向報酬を持つ表在的RMABにおける学習課題について考察する。 我々は2つの重要な貢献者による新しい強化学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-05-02T02:20:19Z)
• 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)
• Anti-Concentrated Confidence Bonuses for Scalable Exploration [57.91943847134011]
  固有の報酬は、探検と探検のトレードオフを扱う上で中心的な役割を果たす。 楕円ボーナスを効率的に近似するためのエンファンティ集中型信頼境界を導入する。 我々は,Atariベンチマーク上での現代固有の報酬と競合する,深層強化学習のための実用的な変種を開発する。
  論文  参考訳（メタデータ） (2021-10-21T15:25:15Z)
• Confidence-Budget Matching for Sequential Budgeted Learning [69.77435313099366]
  問合せ予算で意思決定問題を定式化する。 我々は,多腕バンディット,線形バンディット,強化学習問題を考察する。 我々は,CBMに基づくアルゴリズムが逆性の存在下で良好に動作することを示す。
  論文  参考訳（メタデータ） (2021-02-05T19:56:31Z)
• Adaptive Discretization against an Adversary: Lipschitz bandits, Dynamic Pricing, and Auction Tuning [56.23358327635815]
  リプシッツ・バンディット(Lipschitz bandits)は、大規模で構造化された行動空間を研究する多腕バンディットの顕著なバージョンである。 ここでの中心的なテーマは、アクション空間の適応的な離散化であり、より有望な領域で徐々にズームインする'である。 逆バージョンにおける適応的な離散化のための最初のアルゴリズムを提供し、インスタンス依存の後悔境界を導出する。
  論文  参考訳（メタデータ） (2020-06-22T16:06:25Z)

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。