抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
エージェントが行動を逐次的に選択し,行動に対する報酬を観測する,マルチArmed Bandit(MAB)問題を考察した。アルゴリズムの大部分は,レグレット,すなわち,最良の行動の報酬とエージェントの行動の間の累積的差異を最小化することを試みているが,この基準は望ましくない結果をもたらすかもしれない。例えば,大きな問題において,または環境との相互作用が短いとき,最適アームを見つけるのは実行不可能であり,そして,レグレット最小化アルゴリズムは過剰探索する傾向がある。この課題を克服するために,そのような設定のためのアルゴリズムは,代わりに最適に近いアームのプレイに焦点を合わせるべきである。この目的のために,著者らは,いくつかのεより小さい準最適性ギャップを無視する,新しい,より優しい,レグレット基準を提案した。次に,ε-TSと呼ばれるThompsonサンプリング(TS)アルゴリズムの変異体を提示し,レンズ型レグレットに関してその漸近最適性を証明した。重要なことは,最適アームの平均が十分に高いとき,ε-TSのレンズレットが定数によって有界であることを示した。最後に,エージェントが準最適ギャップの下限を知っているとき,ε-TSを性能を改善するために適用できることを示した。【JST・京大機械翻訳】
