論文の概要: Detection Augmented Learning In Non-Stationary Bandit Environments

• arxiv url: http://arxiv.org/abs/2610.25782v1
• Date: Mon, 19 Oct 2026 04:48:23 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:04:44.437562
• Title: Detection Augmented Learning In Non-Stationary Bandit Environments
• Title（参考訳）: 非定常帯域環境における検出強化学習
• Abstract要約: 環境変化を知らない非定常帯状地の問題について検討する。 本稿では,バンドアルゴリズム,変更検出器,強制探索スケジュールという,3つのモジュールコンポーネントからなるブラックボックスパラダイムを提案する。
• 参考スコア（独自算出の注目度）: 20.502824076522906
• License:
• Abstract: We study the problem of non-stationary bandits without knowledge of the environmental changes. We propose Detection Augmented Learning (DAL) a black-box paradigm that comprises three modular components: a bandit algorithm, a change detector, and a forced exploration schedule. This modular design enables its applicability across a broad spectrum of bandit problems, from classical to highly structured settings. First, we provide theoretical insights into DAL's strong empirical performance: a single regret bound shows that DAL transfers the regret of its stationary input to the piecewise stationary setting, attaining or improving the best known bounds in every setting considered. We further identify conditions under which DAL performs well in drifting environments. Then, we showcase DAL's practical performance and versatility through extensive experimentation in which DAL consistently surpasses all state-of-the-art methods, both prior-free and prior-based, across diverse non-stationary scenarios in nine bandit settings. Finally, we investigate the effectiveness of the forced exploration and show that a bandit-driven strategy improves performance and shortens detection delay.
• Abstract（参考訳）: 環境変化を知らない非定常帯状地の問題について検討する。 本稿では,帯域幅アルゴリズム,変更検出アルゴリズム,強制探索スケジュールという3つのモジュールコンポーネントからなるブラックボックスパラダイムである検出拡張学習(DAL)を提案する。 このモジュール設計により、古典的な設定から高度に構造化された設定まで、幅広い帯域幅の問題に適用できる。 まず,DALの強い経験的性能に関する理論的知見を提示する: 1つの後悔境界は,DALがその静止入力の後悔を断片的な静止状態に転送し,考慮されたすべての設定において最もよく知られた境界を達成または改善することを示す。 さらに,漂流環境においてDALが良好に機能する条件を明らかにした。 次に,DALの実用的性能と汎用性を示す実験を行い,DALは従来手法と先行手法の両方において,9つの帯域幅設定における多様な非定常シナリオを一貫して超越する実験を行った。 最後に, 強制探索の有効性について検討し, バンド駆動型戦略が性能を向上し, 検出遅延を短縮することを示す。

関連論文リスト

• From Local Geometry to Global Pseudo Labeling for Robust Positive Unlabeled Learning under Covariate Shift [47.77477373749725]
  視覚特徴の局所多様体構造を利用して、シフトするデータを徐々に発見する幾何認識フレームワークを導入する。 我々のアプローチは、異なるタイプのシフトに強く移行し、強力な一般化能力を示す。
  論文  参考訳（メタデータ） (2026-05-29T11:55:31Z)
• Anomalous Decision Discovery using Inverse Reinforcement Learning [3.3675535571071746]
  異常検出は、知覚システムを通じて異常な行動を特定することによって、自律走行車(AV)において重要な役割を果たす。 現在のアプローチは、しばしば定義済みのしきい値や教師付き学習パラダイムに依存するが、目に見えないシナリオに直面すると効果が低下する。 異常検出のための新しいIRLフレームワークである Trajectory-Reward Guided Adaptive Pre-training (TRAP) を提案する。
  論文  参考訳（メタデータ） (2025-07-06T17:01:02Z)
• DAL: A Practical Prior-Free Black-Box Framework for Non-Stationary Bandits [20.502824076522906]
  我々は,非定常的盗賊問題に対して,検出強化学習(DAL)と呼ばれる実用的なブラックボックスフレームワークを導入する。 DALは任意の定常バンディットアルゴリズムを入力として受け入れ、変更検出器で拡張し、すべての一般的なバンディット変種に適用可能にする。
  論文  参考訳（メタデータ） (2025-01-31T18:57:21Z)
• Transcending Forgery Specificity with Latent Space Augmentation for Generalizable Deepfake Detection [57.646582245834324]
  LSDAと呼ばれる簡易で効果的なディープフェイク検出器を提案する。 より多様な偽の表現は、より一般化可能な決定境界を学べるべきである。 提案手法は驚くほど有効であり, 広く使用されている複数のベンチマークで最先端の検出器を超越することを示す。
  論文  参考訳（メタデータ） (2023-11-19T09:41:10Z)
• Enhancing Infrared Small Target Detection Robustness with Bi-Level Adversarial Framework [61.34862133870934]
  本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。 我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
  論文  参考訳（メタデータ） (2023-09-03T06:35:07Z)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)
• Finite-time Analysis of Globally Nonstationary Multi-Armed Bandits [14.817218449140338]
  データストリーム上の文献からの適応的ウィンドウ化技術を活用した帯域幅アルゴリズムである適応的リセット帯域幅(ADR-bandit)を導入する。 ADR-banditは,大域的な変化と呼ばれる急激な変化や漸進的な変化が発生すると,ほぼ最適な性能を示すことを示す。 実験の結果,提案アルゴリズムは,合成環境や実環境において,既存の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-07-23T19:02:52Z)
• Corruption-robust exploration in episodic reinforcement learning [76.19192549843727]
  本研究は, システムにおける報酬と遷移確率の両面において, 敵対的腐敗下での多段階・多段階・多段階強化学習について検討した。 我々の枠組みは、汚職の欠如をほぼ最適に後悔する効率的なアルゴリズムをもたらす。 特に,本研究は,根本的強化学習のためのBandit-Feedbackモデルにおいて,純粋にI.d.遷移からの逸脱を保証した最初のサブ線形後悔の保証を提供する。
  論文  参考訳（メタデータ） (2019-11-20T03:49:13Z)

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。