论文12:38
arXiv 新论文:BHO 算法处理奖励依赖延迟的多臂老虎机问题搞在线学习或多臂老虎机的值得看这篇:延迟反馈但不知道奖励来自哪一轮的场景很常见,论文提出的 BHO 算法不依赖最优臂报告也能控住遗憾,还给了配套下界,理论上把可行边界画清楚了,做算法研究或推荐系统延迟归因的可以拿来对照自己的设定。
搞在线学习或多臂老虎机的值得看这篇:延迟反馈但不知道奖励来自哪一轮的场景很常见,论文提出的 BHO 算法不依赖最优臂报告也能控住遗憾,还给了配套下界,理论上把可行边界画清楚了,做算法研究或推荐系统延迟归因的可以拿来对照自己的设定。
搞 bandit 或理论机器学习的可以看看:这论文给 robust bandits 找到了第一个多项式时间算法,遗憾 Õ(√T),还划清了 NP-hard 边界。
这篇论文首次给出了MNL混合MDPs的极小化最优遗憾界,对研究强化学习理论或设计高效算法的研究者来说,是理解问题复杂度的重要参考。