論文の概要: Lipschitz Bandits with Arbitrary Feedback Delays
- arxiv url: http://arxiv.org/abs/2608.15036v1
- Date: Sat, 15 Aug 2026 04:39:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.168594
- Title: Lipschitz Bandits with Arbitrary Feedback Delays
- Title（参考訳）: 任意フィードバック遅延を伴うリプシッツ帯域
- Abstract要約: リプシッツ・バンディット問題は、報酬関数がリプシッツ条件を満たすことを仮定して、伝統的な多重武装バンディットの枠組みを連続作用空間に拡張する。
この研究は、任意のフィードバック遅延の下でリプシッツの帯域を調査し、報酬信号は直ちに受信されず、任意に選択された遅延の後に受信する。
- 参考スコア（独自算出の注目度）: 33.531774470131644
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The Lipschitz bandit problem extends the traditional multi-armed bandit framework to continuous action spaces by assuming that the reward functions satisfy a Lipschitz condition. This work investigates Lipschitz bandits under arbitrary feedback delays, where reward signals are not received immediately upon taking an action but after an arbitrarily chosen delay. We consider both stochastic and adversarial reward settings, proposing an elimination-based algorithm and an EXP3-based algorithm, respectively. For both settings, our algorithms achieve a regret bound of $\tilde{O}\left(T^{\frac{d_z+1}{d_z+2}}+\sqrt{D}\right)$ over a time horizon $T$ with total delay $D$, where the main difference between settings lies in the definition of the zooming dimension $d_z$. Our bounds match existing delay-free regret guarantees for Lipschitz bandits and characterize the additional $\tilde{O}(\sqrt{D})$ impact introduced by feedback delays.
- Abstract（参考訳）: リプシッツ・バンディット問題は、報酬関数がリプシッツ条件を満たすことを仮定して、伝統的な多重武装バンディットの枠組みを連続作用空間に拡張する。
この研究は、任意のフィードバック遅延の下でリプシッツの帯域を調査し、報酬信号は直ちに受信されず、任意に選択された遅延の後に受信する。
我々は,確率的および対向的な報酬設定をそれぞれ検討し,除去に基づくアルゴリズムとEXP3に基づくアルゴリズムを提案する。
両方の設定に対して、我々のアルゴリズムは、残差の$\tilde{O}\left(T^{\frac{d_z+1}{d_z+2}}+\sqrt{D}\right)$を1時間水平線上で達成する。
我々の境界は、リプシッツのバンドイットに対する既存の遅延のない後悔の保証と一致し、フィードバック遅延によって導入された$\tilde{O}(\sqrt{D})$の影響を特徴づける。
関連論文リスト
- Lipschitz Dueling Bandits over Continuous Action Spaces [40.308173981781046]
リプシッツ構造を持つ連続作用空間上のダリング帯域について検討する。
本稿では, ラウンドベース探索を用いて, リプシッツダリングバンドイットの最初のアルゴリズムを提案する。
我々のアルゴリズムは、連続的な作用空間上の任意のバンディットアルゴリズムによって最も達成可能な全時間地平線の観点から、対数空間のみを取る。
論文 参考訳（メタデータ） (2026-04-01T06:07:33Z) - A Reduction from Delayed to Immediate Feedback for Online Convex Optimization with Improved Guarantees [58.59385794080679]
本稿では,後悔を遅延非依存の学習項と遅延誘発のドリフト項に分解する連続時間モデルを提案する。
バンディット凸最適化では,最先端の1次数に適合する遅延依存項を用いて,既存の残差境界を大幅に改善する。
論文 参考訳（メタデータ） (2026-02-02T18:17:34Z) - Lipschitz Bandits with Stochastic Delayed Feedback [3.0594138391611967]
本稿では,遅延フィードバックの存在下でのリプシッツ・バンディットの新たな問題を紹介する。
各設定でサブ線形後悔保証を実現するアルゴリズムを設計する。
本稿では,様々な遅延シナリオ下でのアルゴリズムの効率性を示す実験結果を示す。
論文 参考訳（メタデータ） (2025-09-30T22:07:17Z) - Online Nonsubmodular Optimization with Delayed Feedback in the Bandit Setting [22.208290858529672]
帯域幅設定における遅延フィードバックによるオンライン非モジュール最適化について検討する。
本稿では,一点勾配推定器を用いた新しいDBGD-NF法を提案する。
また,ブロック更新機構を用いてDBGD-NFを拡張し,遅延と帯域幅フィードバックの結合効果を分離する。
論文 参考訳（メタデータ） (2025-08-01T11:00:19Z) - Non-Stationary Lipschitz Bandits [6.596201106451449]
動作数が無限であり、リプシッツの仮定を満たす報酬関数が時間とともに任意に変化するような非定常リプシッツ包帯問題について検討する。
累積報酬関数の大きな偏差によって定義される,最近導入された有意なシフトの概念を適応的に追跡するアルゴリズムを設計する。
論文 参考訳（メタデータ） (2025-05-24T21:23:19Z) - Capacity-Constrained Online Learning with Delays: Scheduling Frameworks and Regret Trade-offs [60.7808741738461]
我々は,遅れたフィードバックのために,過去のラウンドを同時に追跡できる回数を制限する,斬新な「透明さ」の下で,難解な遅延を伴うオンライン学習について研究する。
我々のアルゴリズムは、全てのキャパシティレベルにおいてミニマックスの後悔を達成し、性能は最適以下のキャパシティで優雅に低下する。
論文 参考訳（メタデータ） (2025-03-25T17:20:39Z) - Improved Regret for Bandit Convex Optimization with Delayed Feedback [50.46856739179311]
遅延フィードバックを伴うバンド凸最適化(BCO)。
我々は,新しいアルゴリズムを開発し,一般にO(sqrtnT3/4+sqrtdT)$の後悔境界を満足していることを証明する。
提案アルゴリズムは,強い凸関数に対して$O((nT)2/3log/3T+dlog T)$に制限された後悔を改善することができることを示す。
論文 参考訳（メタデータ） (2024-02-14T13:08:26Z) - Robust Lipschitz Bandits to Adversarial Corruptions [61.85150061213987]
リプシッツ・バンディット(英: Lipschitz bandit)は、計量空間上で定義された連続アーム集合を扱うバンディットの変種である。
本稿では,敵対的腐敗の存在下でのリプシッツ・バンディットの新たな問題を紹介する。
我々の研究は、両タイプの敵の下でサブ線形後悔を達成できるロバストなリプシッツ・バンディットアルゴリズムの最初のラインを提示する。
論文 参考訳（メタデータ） (2023-05-29T18:16:59Z) - Communication-Constrained Bandits under Additive Gaussian Noise [111.06688156723018]
クライアントが学習者にコミュニケーション制約のあるフィードバックを提供する分散マルチアームバンディットについて検討する。
我々は、この下限を小さな加法係数にマッチさせるマルチフェーズ帯域幅アルゴリズム、$mathtUEtext-UCB++$を提案する。
論文 参考訳（メタデータ） (2023-04-25T09:31:20Z) - Smooth Non-Stationary Bandits [49.19728527803684]
本研究では、各アームの平均報酬シーケンスを$beta$-H"older関数に埋め込むことができる非定常包帯問題について検討する。
スムース(つまり$betage 2$)と非スムース(つまり$beta=1$)との最初の分離は、$tilde O(k4/5 T3/5)$ regret on any $k$-armed, $2-H"older instanceでポリシーを提示することで示します。
論文 参考訳（メタデータ） (2023-01-29T06:03:20Z) - Lipschitz Bandits with Batched Feedback [24.605942770966973]
本稿では,この問題を最適に解くために,Batched Lipschitz Narrowing (BLiN)と呼ばれる新しいランドスケープ認識アルゴリズムを提案する。
我々の理論的下限は、最適な後悔を達成するためには、任意のアルゴリズムに$Omega(log T)$バッチが必要であることを意味する。
論文 参考訳（メタデータ） (2021-10-19T03:59:45Z) - 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。