:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Feng, Qing, Ma, Tianyi, Zhu, Ruihao
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	https://arxiv.org/abs/2406.06802
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

On the Peril of (Even a Little) Nonstationarity in Satisficing Regret Minimization
von: Zhang, Yixuan, et al.
Veröffentlicht: (2026)

$(ε, u)$-Adaptive Regret Minimization in Heavy-Tailed Bandits
von: Genalti, Gianmarco, et al.
Veröffentlicht: (2023)

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

Neural Risk-sensitive Satisficing in Contextual Bandits
von: Ito, Shogo, et al.
Veröffentlicht: (2025)

Identifying All ε-Best Arms in (Misspecified) Linear Bandits
von: Li, Zhekai, et al.
Veröffentlicht: (2025)

Catoni-Style Change Point Detection for Regret Minimization in Non-Stationary Heavy-Tailed Bandits
von: Genalti, Gianmarco, et al.
Veröffentlicht: (2025)

Bayesian Regret Minimization in Offline Bandits
von: Petrik, Marek, et al.
Veröffentlicht: (2023)

Multi-User mmWave Beam and Rate Adaptation via Combinatorial Satisficing Bandits
von: Özyıldırım, Emre, et al.
Veröffentlicht: (2026)

Efficient Swap Regret Minimization in Combinatorial Bandits
von: Kontogiannis, Andreas, et al.
Veröffentlicht: (2026)

No-Regret is not enough! Bandits with General Constraints through Adaptive Regret Minimization
von: Bernasconi, Martino, et al.
Veröffentlicht: (2024)

Bandits with Stochastic Experts: Constant Regret, Empirical Experts and Episodes
von: Sharma, Nihal, et al.
Veröffentlicht: (2021)

Regret Tail Characterization of Optimal Bandit Algorithms with Generic Rewards
von: Panda, Subhodip, et al.
Veröffentlicht: (2026)

Improved Regret Bounds for Linear Bandits with Heavy-Tailed Rewards
von: Tajdini, Artin, et al.
Veröffentlicht: (2025)

Efficient and Interpretable Bandit Algorithms
von: Mukherjee, Subhojyoti, et al.
Veröffentlicht: (2023)

Robust Satisficing Gaussian Process Bandits Under Adversarial Attacks
von: Saday, Artun, et al.
Veröffentlicht: (2025)

Data-Driven Upper Confidence Bounds with Near-Optimal Regret for Heavy-Tailed Bandits
von: Tamás, Ambrus, et al.
Veröffentlicht: (2024)

Risk-Aware Linear Bandits: Theory and Applications in Smart Order Routing
von: Ji, Jingwei, et al.
Veröffentlicht: (2022)

Tail Distribution of Regret in Optimistic Reinforcement Learning
von: Khodadadian, Sajad, et al.
Veröffentlicht: (2025)

Order-Optimal Regret in Distributed Kernel Bandits using Uniform Sampling with Shared Randomness
von: Pavlovic, Nikola, et al.
Veröffentlicht: (2024)

On the Benefits of Free Exploration for Regret Minimization in Multi-Armed Bandits
von: Hou, Yunlong, et al.
Veröffentlicht: (2026)

Prior Diffusiveness and Regret in the Linear-Gaussian Bandit
von: Zhu, Yifan, et al.
Veröffentlicht: (2026)

Chained Information-Theoretic bounds and Tight Regret Rate for Linear Bandit Problems
von: Gouverneur, Amaury, et al.
Veröffentlicht: (2024)

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

Unified Framework of Distributional Regret in Multi-Armed Bandits and Reinforcement Learning
von: Lee, Harin, et al.
Veröffentlicht: (2026)

Optimal Regret for Single Index Bandits
von: Dey, Devdan, et al.
Veröffentlicht: (2026)

Doubly Optimal No-Regret Online Learning in Strongly Monotone Games with Bandit Feedback
von: Ba, Wenjia, et al.
Veröffentlicht: (2021)

Beyond the Lower Bound: Bridging Regret Minimization and Best Arm Identification in Lexicographic Bandits
von: Xue, Bo, et al.
Veröffentlicht: (2025)

Near-Optimal Regret for Distributed Adversarial Bandits: A Black-Box Approach
von: Qiu, Hao, et al.
Veröffentlicht: (2026)

Statistical Properties of Robust Satisficing
von: Li, Zhiyi, et al.
Veröffentlicht: (2024)

Improved Regret Bounds for Bandits with Expert Advice
von: Cesa-Bianchi, Nicolò, et al.
Veröffentlicht: (2024)

Fast Best-in-Class Regret for Contextual Bandits
von: Girard, Samuel, et al.
Veröffentlicht: (2025)

Near-Optimal Regret in Adversarial Kernel Bandits
von: Zhang, Yu-Jie, et al.
Veröffentlicht: (2026)

Optimal Regret for Policy Optimization in Contextual Bandits
von: Levy, Orin, et al.
Veröffentlicht: (2026)

Improved Regret Bounds of (Multinomial) Logistic Bandits via Regret-to-Confidence-Set Conversion
von: Lee, Junghyun, et al.
Veröffentlicht: (2023)

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

On the KL-Divergence-based Robust Satisficing Model
von: Yan, Haojie, et al.
Veröffentlicht: (2024)

Satisficing Exploration for Deep Reinforcement Learning
von: Arumugam, Dilip, et al.
Veröffentlicht: (2024)

Imitation Learning via Focused Satisficing
von: Shah, Rushit N., et al.
Veröffentlicht: (2025)

Distributed Linear Bandits under Communication Constraints
von: Salgia, Sudeep, et al.
Veröffentlicht: (2022)

Distributed No-Regret Learning for Multi-Stage Systems with End-to-End Bandit Feedback
von: Hou, I-Hong
Veröffentlicht: (2024)