具有概率触发臂的组合多臂_bandit中Thompson采样分析

我们在半bandit反馈设定下，分析了具有概率触发臂的组合多臂bandit中组合Thompson采样（CTS）的遗憾值。我们假设学习器可以访问一个精确优化预言机，但事先不知道期望基臂结果。当期望奖励函数在期望基臂结果上Lipschitz连续时，我们推导出CTS的$O(\sum_{i =1}^m \log T / (p_i \Delta_i))$遗憾界，其中$m$表示基臂的数量，$p_i$表示基臂$i$的最小非零触发概率，$\Delta_i$表示基臂$i$的最小次优间隙。我们还通过在级联bandit问题上的数值实验将CTS与组合上置信界（CUCB）进行比较。