Buchumschlag

One Good Source is All You Need: Near-Optimal Regret for Bandits under Heterogeneous Noise

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bhat, Amith, Luo, Haipeng, Saha, Aadirupa
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Near-Optimal Regret in Linear MDPs with Aggregate Bandit Feedback
von: Cassel, Asaf, et al.
Veröffentlicht: (2024)

Stop Relying on No-Choice and Do not Repeat the Moves: Optimal, Efficient and Practical Algorithms for Assortment Optimization
von: Saha, Aadirupa, et al.
Veröffentlicht: (2024)

Revisiting Social Welfare in Bandits: UCB is (Nearly) All You Need
von: Sarkar, Dhruv, et al.
Veröffentlicht: (2025)

Near-Optimal Regret in Adversarial Kernel Bandits
von: Zhang, Yu-Jie, et al.
Veröffentlicht: (2026)

Nearly Minimax Optimal Regret for Multinomial Logistic Bandit
von: Lee, Joongkyu, et al.
Veröffentlicht: (2024)

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

Gaussian Process Upper Confidence Bound Achieves Nearly-Optimal Regret in Noise-Free Gaussian Process Bandits
von: Iwazaki, Shogo
Veröffentlicht: (2025)

Near-Optimal Last-Iterate Convergence for Zero-Sum Games with Bandit Feedback and Opponent Actions
von: Hait, Soumita, et al.
Veröffentlicht: (2026)

DP-Dueling: Learning from Preference Feedback without Compromising User Privacy
von: Saha, Aadirupa, et al.
Veröffentlicht: (2024)

Near-Optimal Regret for Efficient Stochastic Combinatorial Semi-Bandits
von: Ye, Zichun, et al.
Veröffentlicht: (2025)

Generalized Linear Bandits: Almost Optimal Regret with One-Pass Update
von: Zhang, Yu-Jie, et al.
Veröffentlicht: (2025)

Near-Optimal Regret for Distributed Adversarial Bandits: A Black-Box Approach
von: Qiu, Hao, et al.
Veröffentlicht: (2026)

Near-Optimal Regret for KL-Regularized Multi-Armed Bandits
von: Ji, Kaixuan, et al.
Veröffentlicht: (2026)

Optimal Regret for Single Index Bandits
von: Dey, Devdan, et al.
Veröffentlicht: (2026)

Data-Driven Upper Confidence Bounds with Near-Optimal Regret for Heavy-Tailed Bandits
von: Tamás, Ambrus, et al.
Veröffentlicht: (2024)

LLM-as-Judge on a Budget
von: Saha, Aadirupa, et al.
Veröffentlicht: (2026)

Tracking the Best Expert Privately
von: Saha, Aadirupa, et al.
Veröffentlicht: (2025)

On the Vulnerability of Fairness Constrained Learning to Malicious Noise
von: Blum, Avrim, et al.
Veröffentlicht: (2023)

Optimal Regret for Policy Optimization in Contextual Bandits
von: Levy, Orin, et al.
Veröffentlicht: (2026)

Near-optimal Per-Action Regret Bounds for Sleeping Bandits
von: Nguyen, Quan, et al.
Veröffentlicht: (2024)

Regret Bounds for Noise-Free Cascaded Kernelized Bandits
von: Li, Zihan, et al.
Veröffentlicht: (2022)

Uni-LoRA: One Vector is All You Need
von: Li, Kaiyang, et al.
Veröffentlicht: (2025)

Optimal Regret of Bernoulli Bandits under Global Differential Privacy
von: Azize, Achraf, et al.
Veröffentlicht: (2025)

Contextual Multinomial Logit Bandits with General Value Functions
von: Zhang, Mengxiao, et al.
Veröffentlicht: (2024)

No-Regret Linear Bandits under Gap-Adjusted Misspecification
von: Liu, Chong, et al.
Veröffentlicht: (2025)

No-Regret Learning Under Adversarial Resource Constraints: A Spending Plan Is All You Need!
von: Stradi, Francesco Emanuele, et al.
Veröffentlicht: (2025)

Noise is All You Need: Private Second-Order Convergence of Noisy SGD
von: Avdiukhin, Dmitrii, et al.
Veröffentlicht: (2024)

Preference-centric Bandits: Optimality of Mixtures and Regret-efficient Algorithms
von: Tatlı, Meltem, et al.
Veröffentlicht: (2025)

Regretful Decisions under Label Noise
von: Nagaraj, Sujay, et al.
Veröffentlicht: (2025)

Alternating Regret for Online Convex Optimization
von: Hait, Soumita, et al.
Veröffentlicht: (2025)

Multimodal Bandits: Regret Lower Bounds and Optimal Algorithms
von: Réveillard, William, et al.
Veröffentlicht: (2025)

On the Optimal Regret of Locally Private Linear Contextual Bandit
von: Li, Jiachun, et al.
Veröffentlicht: (2024)

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

Accuracy is Not All You Need
von: Dutta, Abhinav, et al.
Veröffentlicht: (2024)

Achieving Optimal Static and Dynamic Regret Simultaneously in Bandits with Deterministic Losses
von: Qian, Jian, et al.
Veröffentlicht: (2026)

Learning What to Recommend: Minimax Optimal Simple Regret in Logistic Bandits
von: Liu, Shuai, et al.
Veröffentlicht: (2026)

Risk-sensitive Bandits: Arm Mixture Optimality and Regret-efficient Algorithms
von: Tatlı, Meltem, et al.
Veröffentlicht: (2025)

Regret Tail Characterization of Optimal Bandit Algorithms with Generic Rewards
von: Panda, Subhodip, et al.
Veröffentlicht: (2026)

Near-optimal Regret Using Policy Optimization in Online MDPs with Aggregate Bandit Feedback
von: Lancewicki, Tal, et al.
Veröffentlicht: (2025)

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