論文の概要: Odds-Ratio Thompson Sampling: A Specification and Design Guide for Contrast-Based Multi-Armed Bandits

• arxiv url: http://arxiv.org/abs/2609.19709v1
• Date: Thu, 17 Sep 2026 05:02:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.113497
• Title: Odds-Ratio Thompson Sampling: A Specification and Design Guide for Contrast-Based Multi-Armed Bandits
• Title（参考訳）: Odds-Ratio Thompson サンプリング: コントラストに基づくマルチアーマッドバンドの仕様と設計ガイド
• Abstract要約: 本稿では,バイーシアン・バンディット・エージェントに2つの制御を施し,過去の証拠がどれだけ更新に残されているかを調べ,絶対値のメモリに対して評価する。 86のパブリックA/Bシリーズでは、コントラストの約25倍のレベルが変化する。 予め規定された合成環境では、移動レベルは後悔の5倍の絶対レートのメモリを消費し、最高のアームは20ラン中7ランのトラフィックの過半数以下に留まる。
• 参考スコア（独自算出の注目度）: 0.07113453465614658
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Batched multi-armed bandits update on a service's own schedule, and the usual implementation carries each arm's absolute reward rate from one update to the next. When the shared level moves between batches, that memory goes stale even though the comparisons between arms may not have. Odds-Ratio Thompson Sampling (OR-TS) instead carries the joint posterior over log-odds contrasts and fits the common level afresh in every batch, marginalizing it out. This paper specifies that update, places it inside a Bayesian bandit agent with two controls, decay for how much past evidence survives an update and aggressiveness for how sharply belief becomes allocation, and evaluates it against absolute-rate memory. Across 86 public A/B series the level varies about twenty-five times more than the contrast. In prespecified synthetic environments a moving level costs absolute-rate memory five times the regret and leaves the best arm below a majority of traffic in 7 of 20 runs, against none for OR-TS. In a policy simulation built from 71 real experiments, where the contrasts are too small to resolve, expected-click differences stay within 0.1% for 58 of them, yet contrast memory still ends on the better arm more than twice as often. Where the contrasts themselves move, the bet fails, and that case is reported too.
• Abstract（参考訳）: バッチされたマルチアームのバンディットは、サービス自身のスケジュールで更新され、通常の実装では、各アームの絶対的な報酬率を1つのアップデートから次のアップデートに転送する。 共有レベルがバッチ間で移動すると、そのメモリは、アーム間の比較が持たないとしても、停止する。 Odds-Ratio Thompson Sampling (OR-TS) は、対数オードのコントラストの上に関節後部を持ち、各バッチに共通レベルアフレッシュを適合させる。 本稿では,バイーシアン・バンディット・エージェントに2つの制御を施し,過去の証拠がどれだけの頻度で残されているか,また,過激な信念の割り当てがどれほど急激になるか,そして絶対値記憶に対して評価する。 86のパブリックA/Bシリーズでは、コントラストの約25倍のレベルが変化する。 予め規定された合成環境では、移動レベルは後悔の5倍の絶対レートのメモリを消費し、最高のアームは20ラン中7ランのトラフィックの過半数以下に留まる。 71個の実際の実験から構築されたポリシーシミュレーションでは、コントラストが小さくて解決できないため、58個のコントラストは0.1%以内にとどまるが、コントラストメモリは依然として2倍以上の頻度で良いアームで終わる。 コントラストが動いた場合、賭けは失敗し、その事例も報告される。

関連論文リスト

• Confident at the moment of action: belief miscalibration in LLM play under hidden information [0.0]
  エージェントシステムは、モデル自身の主張する信頼に対するアクションをますますゲートし、信頼は行動の瞬間の正確性を追跡すると仮定する。 我々はこれを秘密裏に、王族の地位を秘密裏に、断片間で繰り返し移動できる秘密情報チェス変種でテストする。 このパターンを示すモデルは、その信念が持つゲームにまだ勝てる可能性があるため、結果のみの評価がそれを検出できない。
  論文  参考訳（メタデータ） (2026-08-25T15:18:18Z)
• Asymmetric Discourse Homogenization and Shared Language Technology: Evidence from Reddit [2.152401683177439]
  私は2022年の終わりごろに現われていた政治談話の多様化傾向について、イデオロギー的に非対称な断絶を報告します。 保守的なユーザーは以前の多様化軌道の中断を経験したが、進歩的なユーザーはそれと同程度の変化を示さなかった。 非対称性は推定戦略(ITS, DiD, RDiT, propensity-score matching)と時間的アグリゲーションの間で一致している。
  論文  参考訳（メタデータ） (2026-08-13T18:13:35Z)
• Memoir: Should a Model Write to Its Memory While It Thinks? [0.0]
  Memoirは、サンプル毎の高速メモリ、共有スローパラメータ、変数深度潜時再発、および将来の遅延エネルギー目標を組み合わせたものだ。 組み合わせた腕と、それ以外は同じ読み取り専用の機雷アームを比較します。 メモリの書き直しがエネルギーシグナルを損なうという予測された失敗は起こらなかった。
  論文  参考訳（メタデータ） (2026-07-22T23:34:56Z)
• AgentFairBench: Do LLM Agents Discriminate When They Act? [2.3004655342211078]
  AgentFairBenchは、LLMエージェントの動作における人口格差に対する、安価で再現可能なマルチドメインベンチマークである。 これは、雇用、貸与、医療トリアージという、規制対象の3つの領域にまたがっている。 NumPyのみのハーネスは、反ファクト的なフリップ率、平均絶対スコア差(MASD)、アクションレートの相違、ツール起動の相違を計算する。
  論文  参考訳（メタデータ） (2026-06-15T13:50:26Z)
• PaSBench-Video: A Streaming Video Benchmark for Proactive Safety Warning [54.70033525672316]
  ビデオ対応の大型言語モデル(MLLM)は、このウィンドウ内で警告を発する常時オンの安全モニタとして機能する。 今回紹介するPaSBench-Videoは、481のリスクと4つのドメインにわたる259のリスクビデオを備えた740のビデオベンチマークだ。 最も厳密な基準ではモデルが20.0%を超えることはなく、リコールは偽陽性率と強く結びついている。
  論文  参考訳（メタデータ） (2026-06-01T16:14:01Z)
• A single algorithm for both restless and rested rotting bandits [65.63283411693489]
  本稿では,ロッティング・アダプティブ・ウインドウUCBというアルゴリズムを導入し,ロッティング・レストとレスト・バンディットの両面において,ほぼ最適の後悔を実現する。 これは、報酬が増加するとアルゴリズムが同様の結果を得ることができないことを示す以前の否定的な結果とは対照的である。
  論文  参考訳（メタデータ） (2026-04-23T08:48:52Z)
• Optimal Best Arm Identification with Fixed Confidence in Restless Bandits [66.700654953613]
  本研究は,有限個の腕を持つレスレス・マルチアーム・バンディット・セッティングにおけるベスト・アーム識別について検討する。 各アームによって生成された離散時間データは、共通の有限状態空間で値を取る同質マルコフ連鎖を形成する。 その結果,あるマルコフ決定過程の長期的挙動の追跡とその状態-行動的訪問比率が,逆および達成可能性境界を解析するための重要な要素であることが示唆された。
  論文  参考訳（メタデータ） (2023-10-20T10:04:05Z)
• Modulated Contrast for Versatile Image Synthesis [60.304183493234376]
  MoNCEは画像のコントラストを導入し、多面的画像間距離の知覚のための校正基準を学習する。 複数の対照的な目的に対して協調的に負のサンプルのプッシュ力を変調するために,MoNCEの最適輸送を導入する。
  論文  参考訳（メタデータ） (2022-03-17T14:03:46Z)
• Cooperative Online Learning in Stochastic and Adversarial MDPs [50.62439652257712]
  我々は、協調的オンライン学習と敵対的マルコフ決定過程(MDP)について研究する。 各エピソードでは、$m$エージェントが同時にMDPと対話し、個人の後悔を最小限に抑えるために情報を共有する。 協調強化学習(RL)を非フレッシュランダム性, あるいは敵対的MDPで検討したのは, 初めてである。
  論文  参考訳（メタデータ） (2022-01-31T12:32:11Z)

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。