Buchumschlag

COBRA: Contextual Bandit Algorithm for Ensuring Truthful Strategic Agents

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Verma, Arun, Saha, Indrajit, Yokoo, Makoto, Low, Bryan Kian Hsiang
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Keep Everyone Happy: Online Fair Division of Numerous Items with Few Copies
von: Verma, Arun, et al.
Veröffentlicht: (2024)

Neural Dueling Bandits: Preference-Based Optimization with Human Feedback
von: Verma, Arun, et al.
Veröffentlicht: (2024)

Active Human Feedback Collection via Neural Contextual Dueling Bandits
von: Verma, Arun, et al.
Veröffentlicht: (2025)

Incentivizing Truthfulness and Collaborative Fairness in Bayesian Learning
von: Sim, Rachael Hwee Ling, et al.
Veröffentlicht: (2026)

ActiveDPO: Active Direct Preference Optimization for Sample-Efficient Alignment
von: Lin, Xiaoqiang, et al.
Veröffentlicht: (2025)

BarrierSteer: LLM Safety via Learning Barrier Steering
von: Tran, Thanh Q., et al.
Veröffentlicht: (2026)

Prompt Optimization with Human Feedback
von: Lin, Xiaoqiang, et al.
Veröffentlicht: (2024)

Dependency Structure Search Bayesian Optimization for Decision Making Models
von: Rajpal, Mohit, et al.
Veröffentlicht: (2023)

Data value estimation on private gradients
von: Zhou, Zijian, et al.
Veröffentlicht: (2024)

BoLT: A Benchmark to Democratize Black-box Optimization Research for Expensive LLM Tasks
von: Chew, Ruth Wan Theng, et al.
Veröffentlicht: (2026)

DeRDaVa: Deletion-Robust Data Valuation for Machine Learning
von: Tian, Xiao, et al.
Veröffentlicht: (2023)

INO-SGD: Addressing Utility Imbalance under Individualized Differential Privacy
von: Tian, Xiao, et al.
Veröffentlicht: (2026)

MineDraft: A Framework for Batch Parallel Speculative Decoding
von: Tang, Zhenwei, et al.
Veröffentlicht: (2026)

DUET: Optimizing Training Data Mixtures via Feedback from Unseen Evaluation Tasks
von: Chen, Zhiliang, et al.
Veröffentlicht: (2025)

Helpful or Harmful Data? Fine-tuning-free Shapley Attribution for Explaining Language Model Predictions
von: Wang, Jingtan, et al.
Veröffentlicht: (2024)

Ferret: Federated Full-Parameter Tuning at Scale for Large Language Models
von: Shu, Yao, et al.
Veröffentlicht: (2024)

REFRAG: Rethinking RAG based Decoding
von: Lin, Xiaoqiang, et al.
Veröffentlicht: (2025)

Fine-tuning Language Models with Generative Adversarial Reward Modelling
von: Yu, Zhang Ze, et al.
Veröffentlicht: (2023)

Adaptive Action Duration with Contextual Bandits for Deep Reinforcement Learning in Dynamic Environments
von: Verma, Abhishek, et al.
Veröffentlicht: (2025)

On Newton's Method to Unlearn Neural Networks
von: Bui, Nhung, et al.
Veröffentlicht: (2024)

Paid with Models: Optimal Contract Design for Collaborative Machine Learning
von: Wang, Bingchen, et al.
Veröffentlicht: (2024)

Provable Anytime Ensemble Sampling Algorithms in Nonlinear Contextual Bandits
von: Sun, Jiazheng, et al.
Veröffentlicht: (2025)

Self-Interested Agents in Collaborative Machine Learning: An Incentivized Adaptive Data-Centric Framework
von: Vijayan, Nithia, et al.
Veröffentlicht: (2024)

DETAIL: Task DEmonsTration Attribution for Interpretable In-context Learning
von: Zhou, Zijian, et al.
Veröffentlicht: (2024)

Is Data Shapley Not Better than Random in Data Selection? Ask NASH
von: Tian, Xiao, et al.
Veröffentlicht: (2026)

How Hard Can It Be? Hardness-Aware Multi-Objective Unlearning
von: Chen, Jiangwei, et al.
Veröffentlicht: (2026)

Source Attribution for Large Language Model-Generated Data
von: Wang, Jingtan, et al.
Veröffentlicht: (2023)

MeMo: Memory as a Model
von: Quek, Ryan Wei Heng, et al.
Veröffentlicht: (2026)

Contextual Bandit with Herding Effects: Algorithms and Recommendation Applications
von: Xu, Luyue, et al.
Veröffentlicht: (2024)

Tree Ensembles for Contextual Bandits
von: Nilsson, Hannes, et al.
Veröffentlicht: (2024)

Group-robust Sample Reweighting for Subpopulation Shifts via Influence Functions
von: Qiao, Rui, et al.
Veröffentlicht: (2025)

Causal Contextual Bandits with Adaptive Context
von: Madhavan, Rahul, et al.
Veröffentlicht: (2024)

Diffusion Models Meet Contextual Bandits
von: Aouali, Imad
Veröffentlicht: (2024)

Learning When to Trust in Contextual Bandits
von: Ghasemi, Majid, et al.
Veröffentlicht: (2026)

The Sample Complexity of Multiclass and Sparse Contextual Bandits
von: Erez, Liad, et al.
Veröffentlicht: (2026)

Contextual Combinatorial Bandits with Probabilistically Triggered Arms
von: Liu, Xutong, et al.
Veröffentlicht: (2023)

A Contextual Combinatorial Bandit Approach to Negotiation
von: Li, Yexin, et al.
Veröffentlicht: (2024)

Federated Linear Contextual Bandits with Heterogeneous Clients
von: Blaser, Ethan, et al.
Veröffentlicht: (2024)

Conservative Contextual Bandits: Beyond Linear Representations
von: Deb, Rohan, et al.
Veröffentlicht: (2024)

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