ИИ и сложнейшие проблемы мира · Теоретическая информатика · arXiv · 2026-10-23
Почти оптимальное сожаление для многоруких бандитов с KL-регуляризацией
Оригинальное название: Near-Optimal Regret for KL-Regularized Multi-Armed Bandits
В исследовании рассматривается регрет для многоруких бандитов с KL-регуляризованными целевыми функциями — постановки, статистическая эффективность которой была изучена недостаточно. Используя точный анализ KL-UCB с новым аргументом «очистки» (peeling), авторы получают первую оценку регрета с высокой вероятностью, линейно зависящую от числа рук K, порядка Õ(ηK log²T). Они также приводят нижнюю границу Ω(ηK log T), показывающую, что анализ почти точен, и показывают, что в режиме слабой регуляризации регрет не зависит от η и масштабируется как Θ̃(√(KT)).