AI और दुनिया की कठिन समस्याएँ · सैद्धांतिक कंप्यूटर विज्ञान · arXiv · 2026-10-23

KL-नियमित बहु-भुजा बैंडिट्स के लिए निकट-इष्टतम रिग्रेट

मूल शीर्षक: Near-Optimal Regret for KL-Regularized Multi-Armed Bandits

यह अध्ययन KL-रेगुलराइज़्ड उद्देश्यों वाले multi-armed bandits के लिए regret की जाँच करता है, एक ऐसी स्थिति जिसकी सांख्यिकीय दक्षता अच्छी तरह समझी नहीं गई थी। एक नवीन peeling तर्क के साथ KL-UCB के सटीक विश्लेषण का उपयोग करते हुए, लेखकों ने arms की संख्या K पर रैखिक निर्भरता वाला पहला उच्च-प्रायिकता regret बाउंड निकाला है, जो Õ(ηK log²T) कोटि का है। वे Ω(ηK log T) का एक निचला बाउंड भी देते हैं, जो दर्शाता है कि यह विश्लेषण लगभग सटीक है, और यह भी दिखाते हैं कि कम रेगुलराइज़ेशन की स्थिति में regret η से स्वतंत्र होता है और Θ̃(√(KT)) के रूप में बढ़ता है।

मूल लेख पढ़ें ↗

सभी आइटम →