识别线性型多臂老虎机中所有 {\epsilon} 最优臂

受高试验成本任务（如药物发现）中高效识别多个候选者的需求驱动，我们提出一种近最优算法，用于识别所有 {\epsilon} 最优臂（即至少比最优解差 {\epsilon} 的臂）。具体而言，我们引入 LinFACT 算法，旨在优化线性型多臂老虎机中识别所有 {\epsilon} 最优臂的能力。我们建立了一个关于该问题样本复杂度的信息论下界，证明 LinFACT 通过匹配该下界（误差为对数因子）实现实例最优。我们的证明的关键要素是将下界直接集成到上界推导的缩放过程中，从而确定终止轮次并决定样本复杂度。我们还扩展了分析到模型误指定模和广义线性模型的设置中。数值实验，包括合成数据和真实药物发现数据，表明 LinFACT 在减少样本复杂度的同时识别更多有前景的候选者，显著提升了计算效率，加速了早期探索性实验。