Buchumschlag

Truncated LinUCB for Stochastic Linear Bandits

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Song, Yanglei, zhou, Meng
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Machine Learning Statistics Theory
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Statistical Inference under Adaptive Sampling with LinUCB
von: Fan, Wei, et al.
Veröffentlicht: (2025)

Minimax Rate-Optimal Algorithms for High-Dimensional Stochastic Linear Bandits
von: Liu, Jingyu, et al.
Veröffentlicht: (2025)

Tractable Instances of Bilinear Maximization: Implementing LinUCB on Ellipsoids
von: Zhang, Raymond, et al.
Veröffentlicht: (2025)

Extended UCB Policies for Multi-armed Bandit Problems
von: Liu, Keqin, et al.
Veröffentlicht: (2011)

Optimal Batched Linear Bandits
von: Ren, Xuanfei, et al.
Veröffentlicht: (2024)

Precise Asymptotics and Refined Regret of Variance-Aware UCB
von: Fan, Yingying, et al.
Veröffentlicht: (2024)

Testing the Feasibility of Linear Programs with Bandit Feedback
von: Gangrade, Aditya, et al.
Veröffentlicht: (2024)

Scalable LinUCB: Low-Rank Design Matrix Updates for Recommenders with Large Action Spaces
von: Shustova, Evgenia, et al.
Veröffentlicht: (2025)

UCB algorithms for multi-armed bandits: Precise regret and adaptive inference
von: Han, Qiyang, et al.
Veröffentlicht: (2024)

Navigating Sparsities in High-Dimensional Linear Contextual Bandits
von: Zhao, Rui, et al.
Veröffentlicht: (2025)

FLIPHAT: Joint Differential Privacy for High Dimensional Sparse Linear Bandits
von: Chakraborty, Sunrit, et al.
Veröffentlicht: (2024)

Design Experiments to Compare Multi-armed Bandit Algorithms
von: Meng, Huiling, et al.
Veröffentlicht: (2026)

Avoiding the Price of Adaptivity: Inference in Linear Contextual Bandits via Stability
von: Praharaj, Samya, et al.
Veröffentlicht: (2025)

A Simple and Optimal Policy Design with Safety against Heavy-Tailed Risk for Stochastic Bandits
von: Simchi-Levi, David, et al.
Veröffentlicht: (2022)

Linear Regression with Unknown Truncation Beyond Gaussian Features
von: Kouridakis, Alexandros, et al.
Veröffentlicht: (2026)

A Diffusion Analysis of Policy Gradient for Stochastic Bandits
von: Lattimore, Tor
Veröffentlicht: (2026)

Mean Testing under Truncation beyond Gaussian
von: Wang, Yuhao, et al.
Veröffentlicht: (2026)

Regret Distribution in Stochastic Bandits: Optimal Trade-off between Expectation and Tail Risk
von: Simchi-Levi, David, et al.
Veröffentlicht: (2023)

Training Diagonal Linear Networks with Stochastic Sharpness-Aware Minimization
von: Clara, Gabriel, et al.
Veröffentlicht: (2025)

The Fragility of Optimized Bandit Algorithms
von: Fan, Lin, et al.
Veröffentlicht: (2021)

Batched Nonparametric Contextual Bandits
von: Jiang, Rong, et al.
Veröffentlicht: (2024)

Adaptive Smooth Non-Stationary Bandits
von: Suk, Joe
Veröffentlicht: (2024)

Transfer Learning for Contextual Multi-armed Bandits
von: Cai, Changxiao, et al.
Veröffentlicht: (2022)

Multitask Learning and Bandits via Robust Statistics
von: Xu, Kan, et al.
Veröffentlicht: (2021)

Multimodal Bandits: Regret Lower Bounds and Optimal Algorithms
von: Réveillard, William, et al.
Veröffentlicht: (2025)

BELIEF in Dependence: Leveraging Atomic Linearity in Data Bits for Rethinking Generalized Linear Models
von: Brown, Benjamin, et al.
Veröffentlicht: (2022)

Online Clustering of Data Sequences with Bandit Information
von: Chandran, G Dhinesh, et al.
Veröffentlicht: (2025)

Asymptotically Optimal Problem-Dependent Bandit Policies for Transfer Learning
von: Prevost, Adrien, et al.
Veröffentlicht: (2025)

Multi-Armed Bandits With Machine Learning-Generated Surrogate Rewards
von: Ji, Wenlong, et al.
Veröffentlicht: (2025)

On Instability of Minimax Optimal Optimism-Based Bandit Algorithms
von: Praharaj, Samya, et al.
Veröffentlicht: (2025)

Towards Efficient and Optimal Covariance-Adaptive Algorithms for Combinatorial Semi-Bandits
von: Zhou, Julien, et al.
Veröffentlicht: (2024)

The Sample Complexity of Multiple Change Point Identification under Bandit Feedback
von: Graf, Maximilian, et al.
Veröffentlicht: (2026)

The Adaptivity Barrier in Batched Nonparametric Bandits: Sharp Characterization of the Price of Unknown Margin
von: Jiang, Rong, et al.
Veröffentlicht: (2025)

Upper Counterfactual Confidence Bounds: a New Optimism Principle for Contextual Bandits
von: Xu, Yunbei, et al.
Veröffentlicht: (2020)

Sequential Multiple Testing: A Second-Order Asymptotic Analysis
von: Liu, Jingyu, et al.
Veröffentlicht: (2026)

Statistical Complexity and Optimal Algorithms for Non-linear Ridge Bandits
von: Rajaraman, Nived, et al.
Veröffentlicht: (2023)

PAC Learning with Bandit Feedback: Sharp Sample Complexity in the Realizable Setting
von: Hanneke, Steve, et al.
Veröffentlicht: (2026)

Choosing the Better Bandit Algorithm under Data Sharing: When Do A/B Experiments Work?
von: Li, Shuangning, et al.
Veröffentlicht: (2025)

Concentrated Differential Privacy for Bandits
von: Azize, Achraf, et al.
Veröffentlicht: (2023)

Batched Nonparametric Bandits via k-Nearest Neighbor UCB
von: Arya, Sakshi
Veröffentlicht: (2025)