Fugu-MT 論文翻訳(概要): m-Set Adversarial Bandits with Winner Feedback

論文の概要: m-Set Adversarial Bandits with Winner Feedback

arxiv url: http://arxiv.org/abs/2610.10128v1
Date: Wed, 07 Oct 2026 14:10:29 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-08 21:58:22.953938
Title: m-Set Adversarial Bandits with Winner Feedback
Title（参考訳）: 勝者フィードバックを用いたmセット逆帯域
Abstract要約: 異なるユーティリティーに対する$m$セットの対逆バンディットの後悔について,上と下の境界を示す。本研究は, 対人帯域幅の基準値と比較することにより, 設定の微妙な変化が学習率にどれほど劇的な影響を及ぼすかを明らかにする。
参考スコア（独自算出の注目度）: 23.903373141007794
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We show upper and lower bounds on the regret of $m$-set adversarial bandits for different utilities (winner reward or sum of rewards) and feedback models (winner index, winner reward, sum of rewards, and their combinations). By comparing to standard bounds for combinatorial and MNL bandits, our results reveal how subtle changes in the setting can have a dramatic impact on the learning rates. Our main technical contributions are the information-theoretic lower bounds on the regret. Experiments on synthetic data confirm our theoretical analyses.
Abstract（参考訳）: 異なるユーティリティ(勝者の報酬または報酬の合計)とフィードバックモデル(勝者の報酬、勝者の報酬、報酬の合計およびそれらの組み合わせ)に対する$m$セットの敵の包帯の後悔について、上下境界を示す。組み合わせおよびMNLバンディットの標準境界と比較することにより,設定の微妙な変化が学習率に劇的な影響を及ぼすことを示す。私たちの主な技術的貢献は、後悔に関する情報理論的な下限です。合成データに関する実験は、我々の理論解析を裏付けるものである。

関連論文リスト

Correlation-Aware Contextual Bandits with Surrogate Rewards for LLM Routing [15.152913607564876]
本研究では,機械学習モデルを用いて,相関アームによるコンテキスト的帯域幅問題と,サロゲート報酬信号へのアクセスについて検討する。本稿では,2つの相補的な設計により,そのような代償を生かしたアルゴリズムを提案する。
論文参考訳（メタデータ） (2026-07-10T00:42:10Z)
Reasoning Arena: Trace Tournaments When Verifiable Rewards Fall Short [51.667769734342635]
検証可能な報酬付き強化学習(RLVR)は,大規模言語モデルの推論能力向上のための主要なパラダイムとなっている。本研究では,非多変量報酬群を判定システムにルーティングする適応学習フレームワークであるReasoning Arenaを提案する。我々は、Reasoning Arenaが、競争数学やコーディングベンチマークにおいて、RLVRベースラインを平均で7.6%上回っていることを示す。
論文参考訳（メタデータ） (2026-06-08T11:57:17Z)
Meritocratic Fairness in Budgeted Combinatorial Multi-armed Bandits via Shapley Values [0.3823356975862005]
本報告では,全帯域フィードバックによる予算付き多武装バンディットにおけるメリット主義的公正性のための新しい枠組みを提案する。まず、協調ゲーム理論から古典解の概念であるShapley値を$K$-Shapley値に拡張する。フェアネスを意識したK-SVFair-FBFを提案する。
論文参考訳（メタデータ） (2026-05-01T16:20:43Z)
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)
Adversarial Learning in Games with Bandit Feedback: Logarithmic Pure-Strategy Maximin Regret [64.73231630190121]
ゼロサムゲームを学ぶことは、ゲーム理論と機械学習の基本的な問題である。ビジットフィードバックによるゼロサムゲームにおける対戦学習について検討し,最大戦略に対する障害を最小限に抑えることを目的とした。我々は,Tsallis-INFアルゴリズムがゲーム依存パラメータ$c$で$O(c log T)$インスタンス依存後悔を実現することを示す。
論文参考訳（メタデータ） (2026-02-06T03:26:01Z)
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)
Log-Sum-Exponential Estimator for Off-Policy Evaluation and Learning [50.93804891554481]
従来の逆確率スコア推定よりも優れた対数推定演算子(log-sum-exponential (LSE)演算子)に基づく新しい推定器を提案する。我々のLSE推定器は, 重み付き条件下での分散低減とロバスト性を示す。政治以外の学習シナリオでは、LSE推定器と最適ポリシーの間のパフォーマンスギャップである後悔の限界を確立します。
論文参考訳（メタデータ） (2025-06-07T17:37:10Z)
Neural Dueling Bandits: Preference-Based Optimization with Human Feedback [58.90189511247936]
ニューラルネットワークを用いて、予め選択した腕の好みフィードバックを用いて報酬関数を推定する。また、理論的結果を文脈的包括的問題に拡張し、二元的フィードバックは、それ自体は非自明な貢献である。
論文参考訳（メタデータ） (2024-07-24T09:23:22Z)
Nearly Optimal Algorithms for Contextual Dueling Bandits from Adversarial Feedback [58.66941279460248]
人からのフィードバックから学ぶことは、大言語モデル(LLM)のような生成モデルを調整する上で重要な役割を果たす本稿では,このドメイン内のモデルについて考察する。-文脈的デュエルバンディット(contextual dueling bandits)と,正の選好ラベルを相手によって反転させることができる対向フィードバック(reversarial feedback)について考察する。本稿では,不確実性重み付き最大推定に基づく頑健なコンテキストデュエルバンドイット(RCDB)を提案する。
論文参考訳（メタデータ） (2024-04-16T17:59:55Z)
Experts with Lower-Bounded Loss Feedback: A Unifying Framework [8.947188600472256]
我々はexp3の修正版に対する最適な後悔の限界を証明し、アルゴリズムと境界をバンディットと全情報設定の両方に一般化する。この結果から,各ラウンドにおける専門家の任意のサブセットからのフィードバックを,グラフ構造化されたフィードバックで受けられるようにした。また,各損失に対する非自明な下限を許容することにより,一貫したレベルの部分的フィードバックを許容する。
論文参考訳（メタデータ） (2020-12-17T12:18:52Z)
Contextual Bandit with Missing Rewards [27.066965426355257]
文脈に基づく決定に関連付けられた報酬が必ずしも観測されないような、文脈的包帯問題の新しい変種を考察する。この新しい問題は、臨床試験や広告レコメンデーションアプリケーションを含む特定のオンライン設定によって動機付けられている。本稿では,クラスタリングのような教師なし学習機構と,標準的な文脈的帯域幅アプローチを組み合わせることを提案する。
論文参考訳（メタデータ） (2020-07-13T13:29:51Z)

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。