赌博机学习中的高斯想象
机器学习
2022-02-23 v3 机器学习
摘要
假设分布为高斯分布通常有助于处理原本难以计算的问题。我们研究了一个智能体的性能：该智能体相对于具有高斯先验分布和高斯似然函数的赌博机环境获得了有界信息比，但当其被应用于伯努利赌博机时表现如何。相对于该智能体与高斯赌博机交互时将产生的贝叶斯遗憾的信息论上界，我们界定了其与伯努利赌博机交互时遗憾的增加量。如果高斯先验分布和似然函数足够弥散，该增加量以至多与时间范围平方根呈线性的速率增长，因此每时间步的增加量趋于消失。我们的结果形式化了这样一种经验认识：所谓的贝叶斯智能体在采用弥散的错设分布实例化时仍然有效。
引用
@article{arxiv.2201.01902,
title = {Gaussian Imagination in Bandit Learning},
author = {Yueyang Liu and Adithya M. Devraj and Benjamin Van Roy and Kuang Xu},
journal= {arXiv preprint arXiv:2201.01902},
year = {2022}
}