最佳两者： regret 最小化与 minimax 对抗

本文我们研究了在带有 bandit 反馈的在线学习算法中,是否存在同时保证对给定比较策略的 $O(1)` 失误,以及对任何固定策略的$\tilde{O}(\sqrt{T})` 失误的算法,其中 $T` 为轮数。我们提供了首个肯定回答,仅当比较策略支持每种动作时。对于零和博弈中的 normal-和 extensive 形式,我们显示我们的结果允许我们保证在风险最多为$O(1)` 损失的同时,能够从可被利用的对手那里获得 $\Omega(T)` 收益,从而结合 no-regret 算法和 minimax 对抗的优势。