松弛帕累托集识别的自适应算法
机器学习
2023-11-06 v2 机器学习
摘要
在本文中，我们重新审视多目标多臂老虎机模型中帕累托最优集的固定置信度识别。由于识别精确帕累托集的样本复杂度可能非常大，已有研究考虑允许输出一些额外近最优臂的松弛。在本工作中，我们也处理替代性松弛，其允许识别帕累托集的一个相关子集。值得注意的是，我们提出一种称为自适应帕累托探索（Adaptive Pareto Exploration）的单一采样策略，它可与不同停止规则结合使用，以考虑帕累托集识别问题的不同松弛。我们分析了这些不同组合的样本复杂度，特别量化了当寻求识别至多 个帕累托最优臂时样本复杂度的降低。我们在一个真实世界场景中展示了自适应帕累托探索的良好实际性能，其中我们自适应地探索多种针对 Covid-19 的疫苗接种策略，以在考虑多个免疫原性标准时找到最优策略。
引用
@article{arxiv.2307.00424,
title = {Adaptive Algorithms for Relaxed Pareto Set Identification},
author = {Cyrille Kone and Emilie Kaufmann and Laura Richert},
journal= {arXiv preprint arXiv:2307.00424},
year = {2023}
}