AI এবং বিশ্বের কঠিন সমস্যাগুলো · তাত্ত্বিক কম্পিউটার বিজ্ঞান · arXiv · 2026-10-23

KL-রেগুলারাইজড মাল্টি-আর্মড ব্যান্ডিটের জন্য প্রায়-অপটিমাল রিগ্রেট

মূল শিরোনাম: Near-Optimal Regret for KL-Regularized Multi-Armed Bandits

এই গবেষণায় KL-রেগুলারাইজড লক্ষ্যসহ মাল্টি-আর্মড ব্যান্ডিটের রিগ্রেট পরীক্ষা করা হয়েছে, যে ক্ষেত্রে পরিসংখ্যানগত দক্ষতা এতদিন ভালোভাবে বোঝা যায়নি। একটি অভিনব পিলিং যুক্তিসহ KL-UCB-এর তীক্ষ্ণ বিশ্লেষণ ব্যবহার করে লেখকেরা বাহুর সংখ্যা K-এর ওপর রৈখিক নির্ভরতাসহ প্রথম উচ্চ-সম্ভাব্যতার রিগ্রেট সীমা পেয়েছেন, যার মান Õ(ηK log²T) ক্রমের। তাঁরা Ω(ηK log T) একটি নিম্নসীমাও দিয়েছেন, যা দেখায় বিশ্লেষণটি প্রায় নিখুঁত, এবং দেখিয়েছেন যে নিম্ন-রেগুলারাইজেশন ব্যবস্থায় রিগ্রেট η-এর ওপর নির্ভর করে না এবং Θ̃(√(KT)) হারে বাড়ে।

মূল লেখা পড়ুন ↗

সব আইটেম →