Buchumschlag

Sliding-Window Thompson Sampling for Non-Stationary Settings

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Fiandri, Marco, Metelli, Alberto Maria, Trovò, Francesco
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

Thompson Sampling-like Algorithms for Stochastic Rising Bandits
von: Fiandri, Marco, et al.
Veröffentlicht: (2025)

Rising Rested Bandits: Lower Bounds and Efficient Algorithms
von: Fiandri, Marco, et al.
Veröffentlicht: (2024)

Best Arm Identification for Stochastic Rising Bandits
von: Mussi, Marco, et al.
Veröffentlicht: (2023)

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

Performance Improvement Bounds for Lipschitz Configurable Markov Decision Processes
von: Metelli, Alberto Maria
Veröffentlicht: (2024)

Efficient Learning of POMDPs with Known Observation Model in Average-Reward Setting
von: Russo, Alessio, et al.
Veröffentlicht: (2024)

Policy Gradient with Active Importance Sampling
von: Papini, Matteo, et al.
Veröffentlicht: (2024)

Open Problem: Tight Bounds for Kernelized Multi-Armed Bandits with Bernoulli Rewards
von: Mussi, Marco, et al.
Veröffentlicht: (2024)

Generalized Kernelized Bandits: A Novel Self-Normalized Bernstein-Like Dimension-Free Inequality and Regret Bounds
von: Metelli, Alberto Maria, et al.
Veröffentlicht: (2025)

A Refined Analysis of UCBVI
von: Drago, Simone, et al.
Veröffentlicht: (2025)

Learning Utilities from Demonstrations in Markov Decision Processes
von: Lazzati, Filippo, et al.
Veröffentlicht: (2024)

Robustness in the Face of Partial Identifiability in Reward Learning
von: Lazzati, Filippo, et al.
Veröffentlicht: (2025)

Actor-Critic with Active Importance Sampling
von: Molaei, Majid, et al.
Veröffentlicht: (2026)

Projection by Convolution: Optimal Sample Complexity for Reinforcement Learning in Continuous-Space MDPs
von: Maran, Davide, et al.
Veröffentlicht: (2024)

Learning Optimal Deterministic Policies with Stochastic Policy Gradients
von: Montenegro, Alessandro, et al.
Veröffentlicht: (2024)

Last-Iterate Global Convergence of Policy Gradients for Constrained Reinforcement Learning
von: Montenegro, Alessandro, et al.
Veröffentlicht: (2024)

Generalizing Behavior via Inverse Reinforcement Learning with Closed-Form Reward Centroids
von: Lazzati, Filippo, et al.
Veröffentlicht: (2025)

Imitation Learning as Return Distribution Matching
von: Lazzati, Filippo, et al.
Veröffentlicht: (2025)

Sliding Window Recurrences for Sequence Models
von: Secrieru, Dragos, et al.
Veröffentlicht: (2025)

Gym4ReaL: A Suite for Benchmarking Real-World Reinforcement Learning
von: Salaorni, Davide, et al.
Veröffentlicht: (2025)

Thompson Sampling Itself is Differentially Private
von: Ou, Tingting, et al.
Veröffentlicht: (2024)

Non-Stationary Bandit Learning via Predictive Sampling
von: Liu, Yueyang, et al.
Veröffentlicht: (2022)

Beyond Sliding Windows: Learning to Manage Memory in Non-Markovian Environments
von: Tasse, Geraud Nangue, et al.
Veröffentlicht: (2025)

Interpetable Target-Feature Aggregation for Multi-Task Learning based on Bias-Variance Analysis
von: Bonetti, Paolo, et al.
Veröffentlicht: (2024)

Offline Inverse RL: New Solution Concepts and Provably Efficient Algorithms
von: Lazzati, Filippo, et al.
Veröffentlicht: (2024)

A Provably Efficient Option-Based Algorithm for both High-Level and Low-Level Learning
von: Drappo, Gianluca, et al.
Veröffentlicht: (2024)

How does Inverse RL Scale to Large State Spaces? A Provably Efficient Approach
von: Lazzati, Filippo, et al.
Veröffentlicht: (2024)

Achieving $\widetilde{\mathcal{O}}(\sqrt{T})$ Regret in Average-Reward POMDPs with Known Observation Models
von: Russo, Alessio, et al.
Veröffentlicht: (2025)

Pure Exploration under Mediators' Feedback
von: Poiani, Riccardo, et al.
Veröffentlicht: (2023)

Thompson Sampling for Repeated Newsvendor
von: Chen, Li, et al.
Veröffentlicht: (2025)

Constrained Linear Thompson Sampling
von: Gangrade, Aditya, et al.
Veröffentlicht: (2025)

Reward Compatibility: A Framework for Inverse RL
von: Lazzati, Filippo, et al.
Veröffentlicht: (2025)

Autoregressive Bandits
von: Bacchiocchi, Francesco, et al.
Veröffentlicht: (2022)

Reusing Trajectories in Policy Gradients Enables Fast Convergence
von: Montenegro, Alessandro, et al.
Veröffentlicht: (2025)

Power Grid Control with Graph-Based Distributed Reinforcement Learning
von: Fabrizio, Carlo, et al.
Veröffentlicht: (2025)

Learning Deterministic Policies with Policy Gradients in Constrained Markov Decision Processes
von: Montenegro, Alessandro, et al.
Veröffentlicht: (2025)

LeakSealer: A Semisupervised Defense for LLMs Against Prompt Injection and Leakage Attacks
von: Panebianco, Francesco, et al.
Veröffentlicht: (2025)

Distilled Thompson Sampling: Practical and Efficient Thompson Sampling via Imitation Learning
von: Namkoong, Hongseok, et al.
Veröffentlicht: (2020)

A Reinforcement Learning Approach for Optimal Control in Microgrids
von: Salaorni, Davide, et al.
Veröffentlicht: (2025)

Regenerative Particle Thompson Sampling
von: Zhou, Zeyu, et al.
Veröffentlicht: (2022)