Buchumschlag

Learning to Explore with Lagrangians for Bandits under Unknown Linear Constraints

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Das, Udvas, Basu, Debabrota
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence Methodology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

FraPPE: Fast and Efficient Preference-based Pure Exploration
von: Das, Udvas, et al.
Veröffentlicht: (2025)

Performative Policy Gradient: Optimality in Performative Reinforcement Learning
von: Basu, Debabrota, et al.
Veröffentlicht: (2025)

The Fair Game: Auditing & Debiasing AI Algorithms Over Time
von: Basu, Debabrota, et al.
Veröffentlicht: (2025)

Auditing Fairness under Model Updates: Fundamental Complexity and Property-Preserving Updates
von: Ajarra, Ayoub, et al.
Veröffentlicht: (2026)

Learning Causal Abstractions of Linear Structural Causal Models
von: Massidda, Riccardo, et al.
Veröffentlicht: (2024)

Pure Exploration in Bandits with Linear Constraints
von: Carlsson, Emil, et al.
Veröffentlicht: (2023)

Shapley-PC: Constraint-based Causal Structure Learning with a Shapley Inspired Framework
von: Russo, Fabrizio, et al.
Veröffentlicht: (2023)

Off-Policy Evaluation and Learning for Survival Outcomes under Censoring
von: Kubota, Kohsuke, et al.
Veröffentlicht: (2026)

On the Number of Conditional Independence Tests in Constraint-based Causal Discovery
von: Monés, Marc Franquesa, et al.
Veröffentlicht: (2026)

Operationalizing Longitudinal Causal Discovery Under Real-World Workflow Constraints
von: Okuda, Tadahisa, et al.
Veröffentlicht: (2026)

Integrating Random Forests and Generalized Linear Models for Improved Accuracy and Interpretability
von: Agarwal, Abhineet, et al.
Veröffentlicht: (2023)

CausalGuard: Conformal Inference under Graph Uncertainty
von: Singh, Vikash, et al.
Veröffentlicht: (2026)

Information-Theoretic Causal Bounds under Unmeasured Confounding
von: Jung, Yonghan, et al.
Veröffentlicht: (2026)

Generalizing Orthogonalization for Models with Non-Linearities
von: Rügamer, David, et al.
Veröffentlicht: (2024)

Exploring Multi-Modal Data with Tool-Augmented LLM Agents for Precise Causal Discovery
von: Shen, ChengAo, et al.
Veröffentlicht: (2024)

Effective Causal Discovery under Identifiable Heteroscedastic Noise Model
von: Yin, Naiyu, et al.
Veröffentlicht: (2023)

Causal Discovery from Heteroscedastic Stochastic Dynamical Systems under Imperfect Physical Models
von: Chen, Jianhong, et al.
Veröffentlicht: (2026)

Evaluation of Stress Detection as Time Series Events -- A Novel Window-Based F1-Metric
von: Skat-Rørdam, Harald Vilhelm, et al.
Veröffentlicht: (2025)

Testing Credibility of Public and Private Surveys through the Lens of Regression
von: Basu, Debabrota, et al.
Veröffentlicht: (2024)

Active Fourier Auditor for Estimating Distributional Properties of ML Models
von: Ajarra, Ayoub, et al.
Veröffentlicht: (2024)

What Hides behind Unfairness? Exploring Dynamics Fairness in Reinforcement Learning
von: Deng, Zhihong, et al.
Veröffentlicht: (2024)

High-Dimensional Linear Bandits under Stochastic Latent Heterogeneity
von: Chen, Elynn, et al.
Veröffentlicht: (2025)

Learning Identifiable Structures Helps Avoid Bias in DNN-based Supervised Causal Learning
von: Zhang, Jiaru, et al.
Veröffentlicht: (2025)

Causal Temporal Regime Structure Learning
von: Rahmani, Abdellah, et al.
Veröffentlicht: (2023)

Distribution Matching for Self-Supervised Transfer Learning
von: Jiao, Yuling, et al.
Veröffentlicht: (2025)

Measure-Theoretic Anti-Causal Representation Learning
von: Behnam, Arman, et al.
Veröffentlicht: (2025)

Causal State Distillation for Explainable Reinforcement Learning
von: Lu, Wenhao, et al.
Veröffentlicht: (2023)

DIGIC: Domain Generalizable Imitation Learning by Causal Discovery
von: Chen, Yang, et al.
Veröffentlicht: (2024)

Learning DAGs from Data with Few Root Causes
von: Misiakos, Panagiotis, et al.
Veröffentlicht: (2023)

Optimal Multitask Linear Regression and Contextual Bandits under Sparse Heterogeneity
von: Huang, Xinmeng, et al.
Veröffentlicht: (2023)

Self-Labeling in Multivariate Causality and Quantification for Adaptive Machine Learning
von: Ren, Yutian, et al.
Veröffentlicht: (2024)

Provable Multi-Party Reinforcement Learning with Diverse Human Feedback
von: Zhong, Huiying, et al.
Veröffentlicht: (2024)

Adaptive Learning of the Latent Space of Wasserstein Generative Adversarial Networks
von: Qiu, Yixuan, et al.
Veröffentlicht: (2024)

Towards Learning and Explaining Indirect Causal Effects in Neural Networks
von: Reddy, Abbavaram Gowtham, et al.
Veröffentlicht: (2023)

Goal-Oriented Sequential Bayesian Experimental Design for Causal Learning
von: Zhang, Zheyu, et al.
Veröffentlicht: (2025)

Statistical Limits and Efficient Algorithms for Differentially Private Federated Learning
von: Auddy, Arnab, et al.
Veröffentlicht: (2026)

Towards Interpretable Deep Generative Models via Causal Representation Learning
von: Moran, Gemma E., et al.
Veröffentlicht: (2025)

Embracing Discrete Search: A Reasonable Approach to Causal Structure Learning
von: Wienöbst, Marcel, et al.
Veröffentlicht: (2025)

End-to-End Deep Learning for Predicting Metric Space-Valued Outputs
von: Zhou, Yidong, et al.
Veröffentlicht: (2025)

Linear Contextual Bandits with Hybrid Payoff: Revisited
von: Das, Nirjhar, et al.
Veröffentlicht: (2024)