論文の概要: Learning from a Bandit Learner

• arxiv url: http://arxiv.org/abs/2610.26103v1
• Date: Mon, 19 Oct 2026 10:00:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:20:08.468279
• Title: Learning from a Bandit Learner
• Title（参考訳）: バンド学習者から学ぶ
• Abstract要約: ステップごとの逆変換が可能なアルゴリズム群を特徴付ける。 我々は、インバージョンが信頼できる条件を確立し、その結果の推定誤差を理論的に保証する。
• 参考スコア（独自算出の注目度）: 2.976756502635418
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Classical inverse bandit methods typically aim to recover true reward parameters. In contrast, we infer a demonstrator's subjective beliefs, specifically its internal estimates of suboptimality gaps. We consider no-regret demonstrators that follow randomized policies, such as Thompson sampling, and characterize a family of algorithms for which per-step inversion is possible. This enables gap estimates to be recovered directly from the arm-selection distribution. Our analysis identifies an inherent stability-coverage trade-off: inversion becomes ill-conditioned as the demonstrator concentrates its probability mass on a single arm, while the number of informative rounds depends on the rate at which its policy converges. We establish conditions under which inversion is reliable and provide theoretical guarantees on the resulting estimation error. Experiments on simulated data support the analysis and illustrate how these conditions affect gap recovery in practice.
• Abstract（参考訳）: 古典的な逆バンディット法は、典型的には真の報酬パラメータを回復することを目的としている。 対照的に、実証者の主観的信念、特にその内部的最適差の推定を推測する。 我々はトンプソンサンプリングのようなランダムなポリシーに従う非回帰実証者を考察し、ステップごとの逆転を可能にするアルゴリズムの族を特徴づける。 これにより、アーム選択分布から直接ギャップ推定を行うことができる。 インバージョンは、実証者が1つのアームに確率質量を集中するにつれて不条件となるが、情報的ラウンドの数は、そのポリシーが収束する速度に依存する。 インバージョンが信頼性の高い条件を確立し,結果の誤差を理論的に保証する。 シミュレーションデータの実験は分析を支援し、これらの条件が実際のギャップ回復にどのように影響するかを説明する。

関連論文リスト

• Kernel Single-Index Bandits: Estimation, Inference, and Learning [3.1109381260263853]
  我々は、各アームの報酬が単一インデックスモデルに従う、有限個の動作を伴う文脈的包帯について研究する。 本稿では,Steinをベースとした指標パラメータ推定と逆プロペンシティ重み付きリッジ回帰を組み合わせた,カーネル化された$varepsilon$-greedyアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-03-19T14:15:16Z)
• On the Sample Complexity of Learning for Blind Inverse Problems [8.091533689145908]
  ブラインド逆問題(Blind inverse problem)は、フォワード作用素が部分的にあるいは完全に未知な多くの実験的な設定で生じる。 データ駆動型アプローチは、強い経験的性能と適応性を示す、視覚的逆問題に対処するために提案されている。 線形最小平均正方形推定器の簡易かつ洞察力に富んだフレームワークにおいて、視覚的逆問題における学習に光を当てた。
  論文  参考訳（メタデータ） (2025-12-29T11:53:37Z)
• Sequential Manipulation Against Rank Aggregation: Theory and Algorithm [119.57122943187086]
  脆弱なデータ収集プロセスに対するオンライン攻撃を活用します。 ゲーム理論の観点からは、対決シナリオは分布的に堅牢なゲームとして定式化される。 提案手法は,ランクアグリゲーション手法の結果を逐次的に操作する。
  論文  参考訳（メタデータ） (2024-07-02T03:31:21Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• Risk Minimization from Adaptively Collected Data: Guarantees for Supervised and Policy Learning [57.88785630755165]
  経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。 本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。 政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
  論文  参考訳（メタデータ） (2021-06-03T09:50:13Z)
• Measuring Model Fairness under Noisy Covariates: A Theoretical Perspective [26.704446184314506]
  本研究では,雑音情報に基づく機械学習モデルの公平性の測定問題について検討する。 本稿では, 精度の高い公平性評価が可能な弱い条件を特徴付けることを目的とした理論的解析を行う。
  論文  参考訳（メタデータ） (2021-05-20T18:36:28Z)
• Robustness Guarantees for Mode Estimation with an Application to Bandits [131.21717367564963]
  平均ではなく報酬分布のモードを値とするマルチアームバンディットの理論を導入する。 我々は,我々のアルゴリズムが逆雑音列による腕の摂動に頑健であることを示すシミュレーションで示す。
  論文  参考訳（メタデータ） (2020-03-05T21:29:27Z)

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。