Papers with Code 아카이브
Multi-Armed Bandits
태스크의 하위 분류와 논문·코드·평가·기법·데이터셋을 탐색하세요.
- 하위 태스크
- 1
- 평가표
- 1
- 보존된 평가 기록
- 2
Multi-armed bandits refer to a task where a fixed amount of resources must be allocated between competing resources that maximizes expected gain. Typically these problems involve an exploration/exploitation trade-off.
<span style="color:grey; opacity: 0.6">( Image credit: Microsoft Research )</span>
논문
이 태스크와 하위 분야의 관련 논문입니다. 실제 성능 비교는 평가 결과에서 확인하세요.
밴딧 피드백을 활용한 동적 그래프에서의 로컬 워크 학습
정적·시간 가변 노출 하한을 갖는 불일치 반올림 공정 밴딧
다중 팔 밴딧을 이용한 합성곱 신경망의 손실 인식 특징 맵 가지치기
생성 모델과 적응형 테스트를 활용한 오프라인-투-온라인 크리에이티브 최적화
자율 연구에서 효율성의 중요성
수요 학습과 이행 비용을 고려한 온라인 가격 책정 및 배분
Eluder 차원: 국소화하라!
온라인 다중 인간-다중 로봇 팀 구성을 위한 선형 매칭 밴딧 접근법
혼돈적 게임 동역학을 위한 자연 불변 측도: 혼돈 속 질서 찾기
문맥적 밴딧을 위한 교차 도메인 오프-정책 평가 및 학습
순차적 의사결정과 사회적 인식론에 대한 알고리즘적 접근
LF-IBIS를 통한 완전 베이지안 강화학습
스폰서 검색 시장을 위한 적응형 광고 부하 설계: 증거, 이론, 배포
MESHA: 전략적 선형 밴딧을 위한 메커니즘 강제 순차 절반화
문맥적 밴딧에서 오프-정책 평가를 위한 커널 가중 중요도 샘플링
데이터 기반 블록 교체 스케줄링
통제된 과정으로서의 메모리: LLM 에이전트를 위한 학습 기반 적응형 메모리 관리
밴딧에서 공정성의 대가: 엄밀한 미니맥스 특성화
연속 K-Max 밴딧의 하위 선형 후회에 관하여
Bandit PCA with Minimax Optimal Regret
초보에서 전문가로: 크라우드센싱에서 변화하는 작업자 성능을 위한 비용 인식 밴딧
결측 데이터의 자기회귀 생성을 통한 능동적 탐험
맥락적 사회적 밴딧에서 신뢰 시점 학습
오라클-효율적 조합형 세미-밴딧
실세계에서의 강화학습: 통계적 과제와 미래 방향에 대한 서베이
다양화 다항 로짓 맥락 밴딧
Prioritizing Search Space Regions in the Low Autocorrelation Binary Sequences Problem
Efficient Online Proportional Sampling with Applications to Smoothed Online Learning
Link Adaptation Using Joint-Thompson Sampling
Fundamental Limitations of Fixed-Budget Best-Arm Identification
능동적 오프라인-온라인 강화학습
고정 예산 하에서 검증을 포함한 다중 지표 적응형 실험 설계
하강 폐쇄 볼록 집합 위 온라인 비단조 DR-부분모듈러 최대화의 상위 선형화 가능성
이점 밴딧 피드백을 이용한 온라인 볼록 최적화의 로그적 고확률 후회 경계
Contract-Based Compositional Shielding for Safe Multi-Agent Reinforcement Learning
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.