論文の概要: Improved Multiplayer Bandit Algorithm for Bernoulli Rewards
- arxiv url: http://arxiv.org/abs/2609.26213v1
- Date: Tue, 11 Aug 2026 06:20:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.924107
- Title: Improved Multiplayer Bandit Algorithm for Bernoulli Rewards
- Title（参考訳）: Bernoulli Rewardsにおけるマルチプレイヤー帯域幅アルゴリズムの改良
- Abstract要約: ベルヌーイ報奨の下で,情報非対称性を用いたマルチプレイヤーマルチアームバンディット問題について検討する。
報酬の非対称性については、2つの腕のKL間隔が決定論的サンプル数から分離していること、および$M$独立プレイヤーがさらに除去を加速していることが証明される。
- 参考スコア（独自算出の注目度）: 1.8350596278988476
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study the multiplayer multi-armed bandit problem with information asymmetry under Bernoulli rewards, for three information structures: asymmetry in actions, in rewards, and in both. Replacing the Hoeffding-style confidence intervals of prior work with Kullback--Leibler (KL) divergence-based bounds gives strictly tighter regret guarantees in each case. We propose \texttt{mKL-UCB}, \texttt{mKL-UCB-Intervals} and \texttt{mKL-DSEE}, and show that the improvement factor is at least two by Pinsker's inequality and far larger when reward means are near zero or one. For asymmetry in rewards we prove that two arms' KL intervals separate after a deterministic number of samples, and that $M$ independent players accelerate elimination further.
- Abstract（参考訳）: ベルヌーイ報奨(Bernoulli rewards)の下で情報非対称性を用いたマルチプレイヤーマルチアームバンド問題(英語版)を,アクションにおける非対称性(asymmetric in action),報酬(in rewards),およびその両方において3つの情報構造に対して検討する。
Kullback-Leibler (KL) の発散に基づく境界による事前作業のホエフィング型信頼区間の置き換えは、それぞれのケースにおいてより厳密な後悔の保証を与える。
本稿では,Pinskerの不等式により改善係数が少なくとも2つであり,報奨手段が0または1に近い場合よりもはるかに大きいことを示す。
報酬の非対称性については、2つの腕のKL間隔が決定論的サンプル数から分離していること、および$M$独立プレイヤーがさらに除去を加速していることが証明される。
関連論文リスト
- Multi-Armed Bernoulli Bandits via Minimax Single-Arm Stopping [9.05633129427177]
有限ホライゾンベルヌーイ多武装バンディットの指数ポリシを開発する。
SAB問題に対する最悪の後悔を最小限に抑えることは、予測できないすべてのポリシーが、完全に半無限線形プログラミングの定式化を許していることを示す。
論文 参考訳（メタデータ） (2026-09-19T01:48:46Z) - 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) - Budgeted Multi-Armed Bandits with Asymmetric Confidence Intervals [0.9831489366502302]
予算的マルチアーマッド・バンドイット(MAB)問題について検討し、プレイヤーが期待できない報酬とコストでK$アームから選択する。
非対称な信頼区間を用いた新しいアッパー信頼境界(UCB)サンプリングポリシーである$omega$-UCBを提案する。
これらの間隔は、サンプル平均とランダム変数の境界との間の距離でスケールし、報酬コスト比をより正確かつ厳密に推定する。
論文 参考訳（メタデータ） (2023-06-12T12:35:16Z) - Decoupled Kullback-Leibler Divergence Loss [90.54331083430597]
我々は、クルバック・リブラー(KL)の除算損失がデカップリングカルバック・リブラー(DKL)の除算損失と等価であることを証明した。
我々はKL/DKLにクラスワイドなグローバル情報を導入し、個々のサンプルからバイアスを取ります。
提案手法は,新たな最先端の対人ロバスト性を公衆のリーダーボード上で実現する。
論文 参考訳（メタデータ） (2023-05-23T11:17:45Z) - Communication-Constrained Bandits under Additive Gaussian Noise [111.06688156723018]
クライアントが学習者にコミュニケーション制約のあるフィードバックを提供する分散マルチアームバンディットについて検討する。
我々は、この下限を小さな加法係数にマッチさせるマルチフェーズ帯域幅アルゴリズム、$mathtUEtext-UCB++$を提案する。
論文 参考訳（メタデータ） (2023-04-25T09:31:20Z) - A PDE-Based Analysis of the Symmetric Two-Armed Bernoulli Bandit [1.2183405753834562]
この研究は、両腕のベルヌーイ・バンディット問題(英語版)(Bernoulli bandit problem)の、腕の手段の和が1であるバージョンに対処する。
我々は, それぞれの問題を線形熱方程式の解に関連付けることにより, minmax最適後悔と擬似回帰の先行順序項を得る。
論文 参考訳（メタデータ） (2022-02-11T17:03:18Z) - Tight Lower Bounds for Combinatorial Multi-Armed Bandits [72.56064196252498]
Combinatorial Multi-Armed Bandit 問題は、エージェントが各ラウンドで一組の腕を選択する、シーケンシャルな意思決定問題である。
最近提案されたGini重み付き滑らか度パラメータが単調報酬関数の下限を決定することを示す。
論文 参考訳（メタデータ） (2020-02-13T08:53:43Z) - Finite-Time Analysis of Round-Robin Kullback-Leibler Upper Confidence
Bounds for Optimal Adaptive Allocation with Multiple Plays and Markovian
Rewards [10.66048003460524]
本稿では,複数の演奏とマルコフ報酬を含む古典的マルチアームバンディット問題の拡張について検討する。
この問題に対処するために、各段階において、全てのアームのサンプル手段からの情報と、ラウンドロビン方式で選択された単一アームのクルバック・リーバー上信頼境界とを結合する適応的アロケーションルールを検討する。
論文 参考訳（メタデータ） (2020-01-30T08:09:01Z)
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。