多资源下的序贯估计：一种赌博机视角

Alireza Masoumian; Shayan Kiyani; Mohammad Hossein Yassaee

多资源下的序贯估计：一种赌博机视角

机器学习 2021-10-01 v1 人工智能分布式、并行与集群计算多智能体系统统计理论统计理论

作者: Alireza Masoumian , Shayan Kiyani , Mohammad Hossein Yassaee

摘要

多资源下的序贯估计（SEMR）问题在联邦设置中被定义。SEMR可被视为统计估计与赌博机理论的交叉。在该问题中，一个智能体面对k个资源以估计参数 $\theta$ 。智能体应通过明智地选择资源来持续学习其质量，并在最后基于所收集的数据提出一个估计量。本文中，我们假设资源分布为高斯分布。最终估计量的质量由其均方误差评估。此外，我们将估计量类限制为无偏估计量，以定义有意义的后悔概念。后悔通过将最终估计量的方差与最优方差进行比较来衡量智能体的性能。我们提出了一个下界以确定该设置的基本极限，即使在分布非高斯的情况下也是如此。同时，我们给出了一种顺序最优算法来达到该下界。

关键词

序贯估计多资源赌博机理论联邦设置高斯分布后悔下界无偏估计量

引用

@article{arxiv.2109.14703,
  title  = {Sequential Estimation under Multiple Resources: a Bandit Point of View},
  author = {Alireza Masoumian and Shayan Kiyani and Mohammad Hossein Yassaee},
  journal= {arXiv preprint arXiv:2109.14703},
  year   = {2021}
}

备注

19 pages, 1 figure, 1 algorithm

多资源下的序贯估计：一种赌博机视角

摘要

关键词

引用

备注

相关论文