高斯过程_bandit 中的宽恕后悔与优动作辨识

本文研究在放宽优化准则下的高斯过程（GP）bandit 问题，该准则规定任何高于某阈值的函数值均“足够好”。在理论方面，我们研究多种{\em 宽恕后悔}（lenient regret）概念，其中所有近最优动作均不产生惩罚，并给出 GP-UCB 与一种消除算法宽恕后悔的上界，规避了因极度逼近函数最大值而产生的通常 $O(\sqrt{T})$ 项（时间范围 $T$）。此外，我们以算法无关下界补充这些上界。在实际方面，我们考虑依据已知预设阈值寻找单一“优动作”的问题，并引入若干利用阈值知识的优动作辨识算法。实验发现，此类算法常比标准基于优化的方法更快地找到优动作。