Buchumschlag

An Improved Algorithm for Adversarial Linear Contextual Bandits via Reduction

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	van Erven, Tim, Mayo, Jack, Olkhovskaya, Julia, Wei, Chen-Yu
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Sparse Nonparametric Contextual Bandits
von: Flynn, Hamish, et al.
Veröffentlicht: (2025)

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

A Reduction Algorithm for Markovian Contextual Linear Bandits
von: Buyukkalayci, Kaan, et al.
Veröffentlicht: (2026)

Kernel-Based Function Approximation for Average Reward Reinforcement Learning: An Optimist No-Regret Algorithm
von: Vakili, Sattar, et al.
Veröffentlicht: (2024)

Nearly Minimax Discrete Distribution Estimation in Kullback-Leibler Divergence with High Probability
von: van der Hoeven, Dirk, et al.
Veröffentlicht: (2025)

Accelerated Rates between Stochastic and Adversarial Online Convex Optimization
von: Sachs, Sarah, et al.
Veröffentlicht: (2023)

Practical and Optimal Algorithm for Linear Contextual Bandits with Rare Parameter Updates
von: Yu, Sanghoon, et al.
Veröffentlicht: (2026)

Kernelized Reinforcement Learning with Order Optimal Regret Bounds
von: Vakili, Sattar, et al.
Veröffentlicht: (2023)

A Simple Reduction Scheme for Constrained Contextual Bandits with Adversarial Contexts via Regression
von: Sarkar, Dhruv, et al.
Veröffentlicht: (2026)

Best-of-Both-Worlds Algorithms for Linear Contextual Bandits
von: Kuroki, Yuko, et al.
Veröffentlicht: (2023)

Improved Algorithm for Adversarial Linear Mixture MDPs with Bandit Feedback and Unknown Transition
von: Li, Long-Fei, et al.
Veröffentlicht: (2024)

Sample-efficient Learning of Concepts with Theoretical Guarantees: from Data to Concepts without Interventions
von: Fokkema, Hidde, et al.
Veröffentlicht: (2025)

Nearly Optimal Algorithms for Contextual Dueling Bandits from Adversarial Feedback
von: Di, Qiwei, et al.
Veröffentlicht: (2024)

Constrained Contextual Bandits with Adversarial Contexts
von: Sarkar, Dhruv, et al.
Veröffentlicht: (2026)

Scaling Federated Linear Contextual Bandits via Sketching
von: Yang, Hantao, et al.
Veröffentlicht: (2026)

The Risks of Recourse in Binary Classification
von: Fokkema, Hidde, et al.
Veröffentlicht: (2023)

Linear Contextual Bandits with Interference
von: Xu, Yang, et al.
Veröffentlicht: (2024)

Improved Algorithms for Nash Welfare in Linear Bandits
von: Sarkar, Dhruv, et al.
Veröffentlicht: (2026)

Contextual Linear Bandits with Delay as Payoff
von: Zhang, Mengxiao, et al.
Veröffentlicht: (2025)

Robust and Computationally Efficient Linear Contextual Bandits under Adversarial Corruption and Heavy-Tailed Noise
von: Tani, Naoto, et al.
Veröffentlicht: (2026)

Efficient Algorithms for Logistic Contextual Slate Bandits with Bandit Feedback
von: Goyal, Tanmay, et al.
Veröffentlicht: (2025)

An Online Feasible Point Method for Benign Generalized Nash Equilibrium Problems
von: Sachs, Sarah, et al.
Veröffentlicht: (2024)

Active Learning for Stochastic Contextual Linear Bandits
von: Brunskill, Emma, et al.
Veröffentlicht: (2026)

Partially Observable Contextual Bandits with Linear Payoffs
von: Zeng, Sihan, et al.
Veröffentlicht: (2024)

Online Newton Method for Bandit Convex Optimisation
von: Fokkema, Hidde, et al.
Veröffentlicht: (2024)

Strategic Linear Contextual Bandits
von: Buening, Thomas Kleine, et al.
Veröffentlicht: (2024)

Navigating Sparsities in High-Dimensional Linear Contextual Bandits
von: Zhao, Rui, et al.
Veröffentlicht: (2025)

Single Index Bandits: Generalized Linear Contextual Bandits with Unknown Reward Functions
von: Kang, Yue, et al.
Veröffentlicht: (2025)

Optimal and Practical Batched Linear Bandit Algorithm
von: Yu, Sanghoon, et al.
Veröffentlicht: (2025)

How Does Variance Shape the Regret in Contextual Bandits?
von: Jia, Zeyu, et al.
Veröffentlicht: (2024)

Thompson Sampling for Multi-Objective Linear Contextual Bandit
von: Park, Somangchan, et al.
Veröffentlicht: (2025)

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)

A Jointly Efficient and Optimal Algorithm for Heteroskedastic Generalized Linear Bandits with Adversarial Corruptions
von: Kim, Sanghwa, et al.
Veröffentlicht: (2026)

Sparsity-Agnostic Linear Bandits with Adaptive Adversaries
von: Jin, Tianyuan, et al.
Veröffentlicht: (2024)

Slowly Changing Adversarial Bandit Algorithms are Efficient for Discounted MDPs
von: Kash, Ian A., et al.
Veröffentlicht: (2022)

Learning with Incomplete Context: Linear Contextual Bandits with Pretrained Imputation
von: Yan, Hao, et al.
Veröffentlicht: (2025)

Direction-Aware Offline-to-Online Learning in Linear Contextual Bandits
von: Han, Zean, et al.
Veröffentlicht: (2026)

Online Continuous Hyperparameter Optimization for Generalized Linear Contextual Bandits
von: Kang, Yue, et al.
Veröffentlicht: (2023)