DAL: 一个无先验的实用性黑箱框架用于非平稳型多臂赌博机
机器学习
2025-09-30 v4 机器学习
摘要
我们提出一种实用的、无先验的黑箱框架，称为检测增强学习（Detection Augmented Learning, DAL），用于解决无先验知识的非平稳型多臂赌博机问题。DAL 接受任意平稳型多臂赌博机算法作为输入，并增添变更检测器，从而适用于所有常见的多臂赌博机变体。广泛的实验表明，DAL 在包括合成基准和真实数据集在内的多种非平稳情景下一致优于当前最先进的方法，凸显其灵活性与可扩展性。我们提供理论见解，以解释 DAL 的强劲实证表现，并辅以详尽的实验验证。
引用
@article{arxiv.2501.19401,
title = {DAL: A Practical Prior-Free Black-Box Framework for Non-Stationary Bandits},
author = {Argyrios Gerogiannis and Yu-Han Huang and Subhonmesh Bose and Venugopal V. Veeravalli},
journal= {arXiv preprint arXiv:2501.19401},
year = {2025}
}
备注
24 pages, 11 figures