Buchumschlag

Whittle Index Learning Algorithms for Restless Bandits with Constant Stepsizes

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Mittal, Vishesh, Meshram, Rahul, Prakash, Surya
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Systems and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Faster Q-Learning Algorithms for Restless Bandits
von: Kakarapalli, Parvish, et al.
Veröffentlicht: (2024)

Lagrangian Relaxation for Multi-Action Partially Observable Restless Bandits: Heuristic Policies and Indexability
von: Meshram, Rahul, et al.
Veröffentlicht: (2025)

Risk-Aware Decision Making in Restless Bandits: Theory and Algorithms for Planning and Learning
von: Akbarzadeh, Nima, et al.
Veröffentlicht: (2024)

Hierarchical Decentralized Stochastic Control for Cyber-Physical Systems
von: Kaza, Kesav, et al.
Veröffentlicht: (2025)

Restless Bandit Problem with Rewards Generated by a Linear Gaussian Dynamical System
von: Gornet, Jonathan, et al.
Veröffentlicht: (2024)

Two-Timescale Linear Stochastic Approximation: Constant Stepsizes Go a Long Way
von: Kwon, Jeongyeol, et al.
Veröffentlicht: (2024)

Low-Complexity Algorithm for Restless Bandits with Imperfect Observations
von: Liu, Keqin, et al.
Veröffentlicht: (2021)

The Bandit Whisperer: Communication Learning for Restless Bandits
von: Zhao, Yunfan, et al.
Veröffentlicht: (2024)

Lagrangian Index Policy for Restless Bandits with Average Reward
von: Avrachenkov, Konstantin, et al.
Veröffentlicht: (2024)

Bandit Algorithms for Deep Brain Stimulation
von: Gupta, Arkaprava, et al.
Veröffentlicht: (2026)

Online Learning of Whittle Indices for Restless Bandits with Non-Stationary Transition Kernels
von: Shisher, Md Kamran Chowdhury, et al.
Veröffentlicht: (2025)

Learning to Sparsify Stochastic Linear Bandits
von: Wang, Zhengmiao, et al.
Veröffentlicht: (2026)

DOPL: Direct Online Preference Learning for Restless Bandits with Preference Feedback
von: Xiong, Guojun, et al.
Veröffentlicht: (2024)

Decentralized Upper Confidence Bound Algorithms for Homogeneous Multi-Agent Multi-Armed Bandits
von: Zhu, Jingxuan, et al.
Veröffentlicht: (2021)

Constant Stepsize Q-learning: Distributional Convergence, Bias and Extrapolation
von: Zhang, Yixuan, et al.
Veröffentlicht: (2024)

Bias and Extrapolation in Markovian Linear Stochastic Approximation with Constant Stepsizes
von: Huo, Dongyan, et al.
Veröffentlicht: (2022)

Finite-Horizon Single-Pull Restless Bandits: An Efficient Index Policy For Scarce Resource Allocation
von: Xiong, Guojun, et al.
Veröffentlicht: (2025)

ContextWIN: Whittle Index Based Mixture-of-Experts Neural Model For Restless Bandits Via Deep RL
von: Guo, Zhanqiu, et al.
Veröffentlicht: (2024)

Why Most Optimism Bandit Algorithms Have the Same Regret Analysis: A Simple Unifying Theorem
von: Krishnamurthy, Vikram
Veröffentlicht: (2025)

Model Predictive Control is Almost Optimal for Restless Bandit
von: Gast, Nicolas, et al.
Veröffentlicht: (2024)

The Collusion of Memory and Nonlinearity in Stochastic Approximation With Constant Stepsize
von: Huo, Dongyan, et al.
Veröffentlicht: (2024)

Byzantine-Resilient Decentralized Multi-Armed Bandits
von: Zhu, Jingxuan, et al.
Veröffentlicht: (2023)

Fairness for Workers Who Pull the Arms: An Index Based Policy for Allocation of Restless Bandit Tasks
von: Biswas, Arpita, et al.
Veröffentlicht: (2023)

Explore-then-Commit for Nonstationary Linear Bandits with Latent Dynamics
von: Choi, Sunmook, et al.
Veröffentlicht: (2025)

Multi-Agent Stage-wise Conservative Linear Bandits
von: Afsharrad, Amirhossein, et al.
Veröffentlicht: (2025)

HPC Application Parameter Autotuning on Edge Devices: A Bandit Learning Approach
von: Hossain, Abrar, et al.
Veröffentlicht: (2025)

Cost-Ordered Feasibility for Multi-Armed Bandits with Cost Subsidy
von: Juneja, Ishank, et al.
Veröffentlicht: (2026)

Model Predictive Control is almost Optimal for Heterogeneous Restless Multi-armed Bandits
von: Narasimha, Dheeraj, et al.
Veröffentlicht: (2025)

Multi-agent Multi-armed Bandits with Minimum Reward Guarantee Fairness
von: Manupriya, Piyushi, et al.
Veröffentlicht: (2025)

Finite-Time Guarantees for Multi-Agent Combinatorial Bandits with Nonstationary Rewards
von: Adams, Katherine B., et al.
Veröffentlicht: (2025)

Tangential Randomization in Linear Bandits (TRAiL): Guaranteed Inference and Regret Bounds
von: Güçlü, Arda, et al.
Veröffentlicht: (2024)

Differentially Private High Dimensional Bandits
von: Shukla, Apurv
Veröffentlicht: (2024)

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

An LP-based Sampling Policy for Multi-Armed Bandits with Side-Observations and Stochastic Availability
von: Soni, Ashutosh, et al.
Veröffentlicht: (2026)

Adaptive Scheduling: A Reinforcement Learning Whittle Index Approach for Wireless Sensor Networks
von: Jonah, Sokipriala, et al.
Veröffentlicht: (2026)

ECLipsE: Efficient Compositional Lipschitz Constant Estimation for Deep Neural Networks
von: Xu, Yuezhu, et al.
Veröffentlicht: (2024)

An Exploration-free Method for a Linear Stochastic Bandit Driven by a Linear Gaussian Dynamical System
von: Gornet, Jonathan, et al.
Veröffentlicht: (2025)

Spatio-Temporal Graph Neural Networks for Dairy Farm Sustainability Forecasting and Counterfactual Policy Analysis
von: Jayakumar, Surya, et al.
Veröffentlicht: (2025)

A Safe Reinforcement Learning Algorithm for Supervisory Control of Power Plants
von: Sun, Yixuan, et al.
Veröffentlicht: (2024)

Smoothed Online Optimization for Target Tracking: Robust and Learning-Augmented Algorithms
von: Zeynali, Ali, et al.
Veröffentlicht: (2025)