Copertina

A Perturbation Approach to Unconstrained Linear Bandits

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Jacobsen, Andrew, Baudry, Dorian, Ito, Shinji, Cesa-Bianchi, Nicolò
Natura:	Preprint
Pubblicazione:	2026
Soggetti:	Machine Learning
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Parameter-Free Dynamic Regret for Unconstrained Linear Bandits
di: Rumi, Alberto, et al.
Pubblicazione: (2026)

Gradient-Variation Regret Bounds for Unconstrained Online Learning
di: Zhao, Yuheng, et al.
Pubblicazione: (2026)

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

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

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

Dynamic Regret Reduces to Kernelized Static Regret
di: Jacobsen, Andrew, et al.
Pubblicazione: (2025)

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

Beyond Bandit Feedback in Online Multiclass Classification
di: van der Hoeven, Dirk, et al.
Pubblicazione: (2021)

Online Linear Regression with Paid Stochastic Features
di: Merlis, Nadav, et al.
Pubblicazione: (2025)

A General Recipe for the Analysis of Randomized Multi-Armed Bandit Algorithms
di: Baudry, Dorian, et al.
Pubblicazione: (2023)

Information Capacity Regret Bounds for Bandits with Mediator Feedback
di: Eldowa, Khaled, et al.
Pubblicazione: (2024)

Instance-Dependent Regret Bounds for Nonstochastic Linear Partial Monitoring
di: Di Gennaro, Federico, et al.
Pubblicazione: (2025)

Online Budget Allocation with Censored Semi-Bandit Feedback
di: Bachoc, François, et al.
Pubblicazione: (2025)

Revisiting Follow-the-Perturbed-Leader with Unbounded Perturbations in Bandit Problems
di: Lee, Jongyeong, et al.
Pubblicazione: (2025)

LC-Tsallis-INF: Generalized Best-of-Both-Worlds Linear Contextual Bandits
di: Kato, Masahiro, et al.
Pubblicazione: (2024)

Non-stationary Bandit Convex Optimization: A Comprehensive Study
di: Liu, Xiaoqi, et al.
Pubblicazione: (2025)

Lookahead identification in adversarial bandits: accuracy and memory bounds
di: Brukhim, Nataly, et al.
Pubblicazione: (2026)

Distributed Online Optimization with Stochastic Agent Availability
di: Achddou, Juliette, et al.
Pubblicazione: (2024)

Multitask Online Learning: Listen to the Neighborhood Buzz
di: Achddou, Juliette, et al.
Pubblicazione: (2023)

Heavy-tailed Linear Bandits: Adversarial Robustness, Best-of-both-worlds, and Beyond
di: Zhao, Canzhe, et al.
Pubblicazione: (2025)

Adaptive maximization of social welfare
di: Cesa-Bianchi, Nicolo, et al.
Pubblicazione: (2023)

Follow-the-Perturbed-Leader with Fréchet-type Tail Distributions: Optimality in Adversarial Bandits and Best-of-Both-Worlds
di: Lee, Jongyeong, et al.
Pubblicazione: (2024)

Cooperative Online Learning with Feedback Graphs
di: Cesa-Bianchi, Nicolò, et al.
Pubblicazione: (2021)

Influential Bandits: Pulling an Arm May Change the Environment
di: Sato, Ryoma, et al.
Pubblicazione: (2025)

Bandit Max-Min Fair Allocation
di: Harada, Tsubasa, et al.
Pubblicazione: (2025)

Best-of-Both Worlds for linear contextual bandits with paid observations
di: Boyer, Nathan, et al.
Pubblicazione: (2025)

The Value of Reward Lookahead in Reinforcement Learning
di: Merlis, Nadav, et al.
Pubblicazione: (2024)

A Tight Lower Bound for Non-stochastic Multi-armed Bandits with Expert Advice
di: Chase, Zachary, et al.
Pubblicazione: (2025)

Self-Concordant Perturbations for Linear Bandits
di: Lévy, Lucas, et al.
Pubblicazione: (2025)

Fair Online Bilateral Trade
di: Bachoc, François, et al.
Pubblicazione: (2024)

A Regret Analysis of Bilateral Trade
di: Cesa-Bianchi, Nicolò, et al.
Pubblicazione: (2021)

Combinatorial Allocation Bandits with Nonlinear Arm Utility
di: Shibukawa, Yuki, et al.
Pubblicazione: (2026)

Replicability is Asymptotically Free in Multi-armed Bandits
di: Komiyama, Junpei, et al.
Pubblicazione: (2024)

New Classes of the Greedy-Applicable Arm Feature Distributions in the Sparse Linear Bandit Problem
di: Ichikawa, Koji, et al.
Pubblicazione: (2023)

Learning on the Edge: Online Learning with Stochastic Feedback Graphs
di: Esposito, Emmanuel, et al.
Pubblicazione: (2022)

A Theory of Interpretable Approximations
di: Bressan, Marco, et al.
Pubblicazione: (2024)

A Probabilistic Approach to Learning the Degree of Equivariance in Steerable CNNs
di: Veefkind, Lars, et al.
Pubblicazione: (2024)

Adversarial Bandit Optimization with Globally Bounded Perturbations to Linear Losses
di: Cheng, Zhuoyu, et al.
Pubblicazione: (2026)

Of Dice and Games: A Theory of Generalized Boosting
di: Bressan, Marco, et al.
Pubblicazione: (2024)

Adapting to Stochastic and Adversarial Losses in Episodic MDPs with Aggregate Bandit Feedback
di: Ito, Shinji, et al.
Pubblicazione: (2025)