在有限时间内演化的情境化多臂老虎机
机器学习
2019-11-15 v1 机器学习
摘要
情境化多臂老虎机（contextual bandits）与标准多臂老虎机具有相同的探索-利用权衡。在加入随时间衰减的正外部性后，该问题变得困难得多，因为初期的错误决策难以恢复。我们在此设定下探究现有策略，并强调它们对固有奖励矩阵的偏向。我们提出一种基于拒绝的策略，无论奖励概率矩阵的结构如何，都能实现低后悔值。
引用
@article{arxiv.1911.05956,
title = {Contextual Bandits Evolving Over Finite Time},
author = {Harsh Deshpande and Vishal Jain and Sharayu Moharir},
journal= {arXiv preprint arXiv:1911.05956},
year = {2019}
}