Buchumschlag

HELLINGER-UCB: A novel algorithm for stochastic multi-armed bandit problem and cold start problem in recommender system

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yang, Ruibo, Wang, Jiazhou, Mullhaupt, Andrew
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

Fast UCB-type algorithms for stochastic bandits with heavy and super heavy symmetric noise
von: Dorn, Yuriy, et al.
Veröffentlicht: (2024)

Functional multi-armed bandit and the best function identification problems
von: Dorn, Yuriy, et al.
Veröffentlicht: (2025)

Leveraging priors on distribution functions for multi-arm bandits
von: Vashishtha, Sumit, et al.
Veröffentlicht: (2025)

Trading off rewards and errors in multi-armed bandits
von: Erraqabi, Akram, et al.
Veröffentlicht: (2026)

Bounding Neyman-Pearson Region with $f$-Divergences
von: Mullhaupt, Andrew, et al.
Veröffentlicht: (2025)

Minimax-optimal trust-aware multi-armed bandits
von: Cai, Changxiao, et al.
Veröffentlicht: (2024)

Information maximization for a broad variety of multi-armed bandit games
von: Barbier-Chebbah, Alex, et al.
Veröffentlicht: (2025)

Spectral bandits for smooth graph functions with applications in recommender systems
von: Kocák, Tomáš, et al.
Veröffentlicht: (2026)

Quantum contextual bandits and recommender systems for quantum data
von: Brahmachari, Shrigyan, et al.
Veröffentlicht: (2023)

Softmax gradient policy for variance minimization and risk-averse multi armed bandits
von: Turinici, Gabriel
Veröffentlicht: (2026)

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

Efficient learning by implicit exploration in bandit problems with side observations
von: Kocak, Tomas, et al.
Veröffentlicht: (2026)

A more efficient method for large-sample model-free feature screening via multi-armed bandits
von: Ouyang, Xiaxue, et al.
Veröffentlicht: (2025)

Achieving adaptivity and optimality for multi-armed bandits using Exponential-Kullback Leibler Maillard Sampling
von: Qin, Hao, et al.
Veröffentlicht: (2025)

Using causal abstractions to accelerate decision-making in complex bandit problems
von: Dyer, Joel, et al.
Veröffentlicht: (2025)

Offline-to-online hyperparameter transfer for stochastic bandits
von: Sharma, Dravyansh, et al.
Veröffentlicht: (2025)

Prior-informed optimization of treatment recommendation via bandit algorithms trained on large language model-processed historical records
von: Nessari, Saman, et al.
Veröffentlicht: (2025)

A single algorithm for both restless and rested rotting bandits
von: Seznec, Julien, et al.
Veröffentlicht: (2026)

Efficient kernelized bandit algorithms via exploration distributions
von: Hu, Bingshan, et al.
Veröffentlicht: (2025)

A survey on multi-player bandits
von: Boursier, Etienne, et al.
Veröffentlicht: (2022)

Covariance-adapting algorithm for semi-bandits with application to sparse rewards
von: Perrault, Pierre, et al.
Veröffentlicht: (2026)

Solving cold start in news recommendations: a RippleNet-based system for large scale media outlet
von: Radziszewski, Karol, et al.
Veröffentlicht: (2025)

Unified theory of upper confidence bound policies for bandit problems targeting total reward, maximal reward, and more
von: Kikkawa, Nobuaki, et al.
Veröffentlicht: (2024)

Extreme bandits
von: Carpentier, Alexandra, et al.
Veröffentlicht: (2026)

Small steps no more: Global convergence of stochastic gradient bandits for arbitrary learning rates
von: Mei, Jincheng, et al.
Veröffentlicht: (2025)

Adaptive political surveys and GPT-4: Tackling the cold start problem with simulated user interactions
von: Bachmann, Fynn, et al.
Veröffentlicht: (2025)

Solving multi-armed bandit problems using a chaotic microresonator comb
von: Cuevas, Jonathan, et al.
Veröffentlicht: (2023)

Spectral bandits
von: Kocák, Tomáš, et al.
Veröffentlicht: (2026)

On the Suboptimality of GP-UCB under Polynomial Effective Optimism
von: Wang, Wenjia, et al.
Veröffentlicht: (2023)

Replicable Bandits with UCB based Exploration
von: Deb, Rohan, et al.
Veröffentlicht: (2026)

Heuristic algorithms for the stochastic critical node detection problem
von: Bayarsaikhan, Tuguldur, et al.
Veröffentlicht: (2025)

On the optimal regret of collaborative personalized linear bandits
von: Huang, Bruce, et al.
Veröffentlicht: (2025)

Active clustering with bandit feedback
von: Thuot, Victor, et al.
Veröffentlicht: (2024)

A characterization of sample adaptivity in UCB data
von: Chen, Yilun, et al.
Veröffentlicht: (2025)

Contrastive UCB: Provably Efficient Contrastive Self-Supervised Learning in Online Reinforcement Learning
von: Qiu, Shuang, et al.
Veröffentlicht: (2022)

Performance-bounded Online Ensemble Learning Method Based on Multi-armed bandits and Its Applications in Real-time Safety Assessment
von: Hu, Songqiao, et al.
Veröffentlicht: (2025)

An accelerated first-order regularized momentum descent ascent algorithm for stochastic nonconvex-concave minimax problems
von: Zhang, Huiling, et al.
Veröffentlicht: (2023)

Provably Efficient UCB-type Algorithms For Learning Predictive State Representations
von: Huang, Ruiquan, et al.
Veröffentlicht: (2023)

A practical PINN framework for multi-scale problems with multi-magnitude loss terms
von: Wang, Yong, et al.
Veröffentlicht: (2023)