AI اور دنیا کے مشکل مسائل · نظریاتی کمپیوٹر سائنس · arXiv · 2026-10-23

KL-ریگولرائزڈ ملٹی آرمڈ بینڈٹس کے لیے قریب-بہترین ریگریٹ

اصل عنوان: Near-Optimal Regret for KL-Regularized Multi-Armed Bandits

اس تحقیق میں KL-ریگولرائزڈ مقاصد کے ساتھ ملٹی آرمڈ بینڈٹس کے لیے ریگریٹ کا جائزہ لیا گیا ہے، ایک ایسا سیٹنگ جس کی شماریاتی کارکردگی کو اچھی طرح سمجھا نہیں گیا تھا۔ ایک نئی پیلنگ دلیل کے ساتھ KL-UCB کے گہرے تجزیے کو استعمال کرتے ہوئے، مصنفین نے بازوؤں کی تعداد K پر خطی انحصار رکھنے والی پہلی ہائی-پروبیبیلٹی ریگریٹ باؤنڈ اخذ کی ہے، جو Õ(ηK log²T) کے درجے کی ہے۔ وہ Ω(ηK log T) کی ایک زیریں حد بھی دیتے ہیں جو ظاہر کرتی ہے کہ یہ تجزیہ تقریباً درست اور تنگ ہے، اور یہ بھی دکھاتے ہیں کہ کم ریگولرائزیشن کی صورت میں ریگریٹ η سے آزاد ہوتا ہے اور Θ̃(√(KT)) کے مطابق بڑھتا ہے۔

اصل تحریر پڑھیں ↗

تمام آئٹمز →