論文の概要: Robust Multi-Agent Bandits with Heavy-Tailed Rewards and Information Asymmetry

• arxiv url: http://arxiv.org/abs/2608.10529v1
• Date: Tue, 11 Aug 2026 06:10:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.9246
• Title: Robust Multi-Agent Bandits with Heavy-Tailed Rewards and Information Asymmetry
• Title（参考訳）: 重り付きリワードと情報非対称性を有するロバストマルチエージェントバンド
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.1689657956099038
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The multi-armed bandit problem is a central framework in sequential decision-making, extensively studied under sub-Gaussian reward assumptions. However, real-world applications often involve heavy-tailed reward distributions and decentralized, information-asymmetric interactions. We study multi-agent multi-armed bandits with heavy-tailed rewards under three information-asymmetry regimes: unobserved actions with common rewards, observed actions with independent rewards, and unobserved actions with independent rewards. We develop robust decentralized algorithms for each setting and derive regret guarantees that nearly match centralized heavy-tailed rates. Experiments on a Pareto-distributed reward environment validate our theoretical findings and illustrate the trade-offs between synchronization, coordination, and exploration across the three regimes.
• Abstract（参考訳）: 多重武装バンディット問題は、ガウス以下の報酬仮定の下で広く研究されているシーケンシャルな意思決定における中心的な枠組みである。 しかし、現実世界のアプリケーションは、しばしば重み付けされた報酬分布と、分散化された情報非対称な相互作用を含む。 本研究は,3つの情報非対称性体制の下で重み付き報酬を伴うマルチエージェントマルチアーム帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯 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。 パレート分散報酬環境の実験は、我々の理論的知見を検証し、3つの体制間の同期、調整、探索のトレードオフを説明する。

関連論文リスト

• Coordinating the Unknown Lipschitz Constant in Multiplayer Bandits [1.3700362496838856]
  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。
  論文  参考訳（メタデータ） (2026-08-11T06:06:12Z)
• On the Regularity and Fairness of Combinatorial Multi-Armed Bandit [8.61754191125565]
  本論文は,無線ネットワークにおける2つの重要な応用から着想を得たものである。 累積報酬を最大化するだけでなく、武器間の公平性を保証することも必要です。 これら3つの目的を達成するために,パラメータ化された正規かつ公正な学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-09-15T21:08:16Z)
• Semi-Parametric Batched Global Multi-Armed Bandits with Covariates [0.48342038441006807]
  マルチアームバンディット(MAB)フレームワークは、シーケンシャルな意思決定に広く使われているアプローチである。 本稿では,コパラメトリックと腕間の共有パラメータを持つバッチバンドの半パラメトリックフレームワークを提案する。 Batched Single-Index Dynamic binning and Successive arm elimination (BIDS) というアルゴリズムでは、バッチ化された逐次アームの除去戦略を採用している。
  論文  参考訳（メタデータ） (2025-03-01T17:23:55Z)
• 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)
• Pure Exploration in Asynchronous Federated Bandits [57.02106627533004]
  マルチアームバンディットとリニアバンディットのフェデレートされた純粋な探索問題について検討し、M$エージェントが中央サーバとの通信を通じて最適なアームを協調的に識別する方法について検討した。 信頼度を固定した純粋探索のための非同期マルチアームバンディットおよび線形バンディットアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-17T06:04:00Z)
• Networked Communication for Decentralised Agents in Mean-Field Games [59.01527054553122]
  平均フィールドゲームフレームワークにネットワーク通信を導入する。 当社のアーキテクチャは、中央集権型と独立した学習ケースの双方で保証されていることを証明しています。 ネットワーク化されたアプローチは、障害の更新や人口規模の変化に対する堅牢性という点において、両方の選択肢に対して大きなメリットがあることが示されています。
  論文  参考訳（メタデータ） (2023-06-05T10:45:39Z)
• DM$^2$: Distributed Multi-Agent Reinforcement Learning for Distribution Matching [43.58408474941208]
  本稿では,明示的なコーディネーション方式を使わずに,分散マルチエージェント学習の課題を考察する。 各エージェントは、共同専門家ポリシーから同時にサンプリングされた軌道の目標分布と一致する。 StarCraftドメインでの実験的検証は、分散の報酬と環境の報酬を組み合わせることで、エージェントが完全に分散されたベースラインより優れたパフォーマンスを発揮することを示している。
  論文  参考訳（メタデータ） (2022-06-01T04:57:50Z)
• The Combinatorial Multi-Bandit Problem and its Application to Energy Management [2.236663830879273]
  本稿では,エネルギーシステム管理の応用を動機とした,コンビニアルマルチバンド問題について考察する。 エネルギー管理アプリケーションのために,マルチアームバンディットの探索原理と数理プログラミングを組み合わせたアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-10-30T13:42:54Z)
• Unifying Clustered and Non-stationary Bandits [50.12992652938055]
  非定常的盗賊とオンラインの盗賊のクラスタリングは、文脈的盗賊の制約的な仮定を解き放つ。 本研究では,非定常帯域に対する変化検出と,オンライン帯域クラスタリングのためのクラスタ識別をシームレスに行う均質性試験を提案する。 厳密な後悔分析と広範な経験的評価により,提案手法の価値が示された。
  論文  参考訳（メタデータ） (2020-09-05T04:58:06Z)
• Robustness Guarantees for Mode Estimation with an Application to Bandits [131.21717367564963]
  平均ではなく報酬分布のモードを値とするマルチアームバンディットの理論を導入する。 我々は,我々のアルゴリズムが逆雑音列による腕の摂動に頑健であることを示すシミュレーションで示す。
  論文  参考訳（メタデータ） (2020-03-05T21:29:27Z)
• Incentivizing Exploration with Selective Data Disclosure [70.11902902106014]
  効率的な探索を促すレコメンデーションシステムを提案し設計する。 エージェントは順次到着し、固定されたが未知のアクション固有の分布から引き出されたアクションを選択し、報酬を受け取る。 フレキシブル・頻繁な行動モデルを用いた探索において,最適な後悔率が得られる。
  論文  参考訳（メタデータ） (2018-11-14T19:29:16Z)

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。