PulseAugur
中
实时 10:48:54
English(EN) DAL: A Practical Prior-Free Black-Box Framework for Piecewise Stationary Bandits

新框架增强了非平稳环境下的老虎机算法

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种名为检测增强学习（DAL）的新框架，该框架专为分段平稳老虎机设计，无需预先了解非平稳性。DAL 通过将任何现有的平稳老虎机算法与变化检测器集成来工作，从而将其适用性扩展到广泛的老虎机问题。在各种合成和真实数据集上的实证结果表明，DAL 的性能始终优于当前最先进的方法，证明了其有效性和可扩展性。 AI

排序理由 这是一篇发表在 arXiv 上的研究论文，详细介绍了一种新的老虎机算法框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Argyrios Gerogiannis, Yu-Han Huang, Subhonmesh Bose, Venugopal V. Veeravalli ·

    DAL: A Practical Prior-Free Black-Box Framework for Piecewise Stationary Bandits

    arXiv:2501.19401v5 Announce Type: replace Abstract: We introduce a practical, black-box framework termed Detection Augmented Learning (DAL) for the problem of piecewise stationary bandits without knowledge of the underlying non-stationarity. DAL accepts any stationary bandit algo…

相关实体

相关话题