Prior-Dependent Allocations for Bayesian Fixed-Budget Best-Arm Identification in Structured Bandits
Zusammenfassung
Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.
Kurz
Der Bericht liegt nur als Abstract vor. Die Autorinnen und Autoren schlagen für die Suche nach dem besten Arm bei festem Budget einen Algorithmus vor, der Vorwissen und Problemstruktur berücksichtigt, und berichten über neue theoretische Schranken sowie robuste Vergleichsergebnisse; konkrete Belege und Messwerte enthält der Auszug nicht.
Mittel
Der bereitgestellte Bericht enthält nur das Abstract und bibliografische Angaben, nicht den vollständigen Artikel. Die Autorinnen und Autoren untersuchen, wie bei einem festen Beobachtungsbudget in strukturierten Banditenproblemen der beste Arm gefunden werden kann. Sie schlagen einen Algorithmus vor, der Beobachtungen anhand des bayesianischen Vorwissens und der Struktur der Umgebung fest zuteilt.
Laut Abstract liefern sie theoretische Leistungsschranken für verschiedene Modelle und beanspruchen die ersten priorabhängigen oberen Schranken für lineare und hierarchische BAI-Probleme. Neue Beweismethoden sollen zudem für Mehrarm-Probleme engere Schranken als bisherige Ansätze ermöglichen. Die Autorinnen und Autoren berichten von umfassenden Vergleichen und einer robusten, beständigen Leistung in verschiedenen Situationen. Konkrete Zahlen, Versuchsbedingungen und Details der Vergleiche fehlen im Auszug; die Leistungsbehauptungen sind deshalb hier nicht genauer überprüfbar.
Ausführlich lesen
Der bereitgestellte Bericht besteht nur aus einem Abstract sowie bibliografischen Angaben; konkrete Versuchsdaten oder der vollständige Artikel liegen nicht vor. Die Autorinnen und Autoren untersuchen die bayesianische Identifikation des besten Arms bei festem Budget in strukturierten Banditenproblemen. Dabei geht es darum, mit einer begrenzten Zahl von Beobachtungen den besten Arm zu bestimmen und Vorwissen über die möglichen Ergebnisse sowie die Struktur der Umgebung einzubeziehen.
Als Ansatz schlagen sie einen Algorithmus mit festen Zuteilungen der Beobachtungen vor, die sowohl vom Prior als auch von der Struktur des Problems abhängen. Für die Leistung des Verfahrens geben sie laut Abstract theoretische Schranken für verschiedene Modelle an. Sie bezeichnen diese als die ersten priorabhängigen oberen Schranken für lineare und hierarchische BAI-Probleme. Außerdem führen sie neue Beweismethoden ein und berichten, dass diese für gewöhnliche Mehrarm-Probleme engere Schranken als bisherige Methoden ermöglichen.
Laut Abstract vergleichen die Autorinnen und Autoren ihren Ansatz umfassend mit anderen Verfahren für feste Budgets und beobachten eine beständige, robuste Leistung in verschiedenen Situationen. Das Abstract nennt jedoch weder konkrete Vergleichsverfahren noch Messwerte, Versuchsbedingungen oder die mathematische Form der Schranken. Diese Leistungsangaben lassen sich anhand des bereitgestellten Auszugs daher nicht näher prüfen.
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Vertrauen in Modelle
- SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 45 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug