用于局部极小极大最优最佳臂识别的广义内曼分配
机器学习
2025-02-04 v4 人工智能
计量经济学
统计方法学
机器学习
摘要
本研究探讨了一种渐近局部极小极大最优的固定预算最佳臂识别（BAI）算法。我们提出了广义内曼分配（GNA）算法，并证明其在错误识别最佳臂的概率上的最坏情况上界与小间隙区域（最佳臂与次优臂期望结果之间的间隙较小）的最坏情况下界一致。我们的下界和上界是紧的，在小间隙区域内精确匹配包括常数项。GNA算法推广了双臂老虎机的内曼分配（Neyman, 1934; Kaufmann et al., 2016），并改进了现有的BAI算法，如Glynn & Juneja (2004)提出的算法。通过提出渐近极小极大最优算法，我们通过将分布类限制在小间隙区域，解决了BAI（Kaufmann, 2020）和处理选择（Kasy & Sautmann, 202）中长期存在的开放问题。
引用
@article{arxiv.2405.19317,
title = {Generalized Neyman Allocation for Locally Minimax Optimal Best-Arm Identification},
author = {Masahiro Kato},
journal= {arXiv preprint arXiv:2405.19317},
year = {2025}
}