Nearly Dimension-Independent Sparse Linear Bandit over Small Action Spaces via Best Subset Selection
通过最佳子集选择实现小行动空间下近乎维数无关的稀疏线性赌博机AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究在线决策与探索利用权衡，未明确因果识别、离散选择建模或收益预测。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
通过最佳子集选择实现小行动空间下近乎维数无关的稀疏线性赌博机
- 研究问题
- 在行动空间有限且随机、上下文协变量高维的线性赌博机中，如何利用参数稀疏性平衡探索与利用，并降低遗憾对维数的依赖？
- 方法与思路
- 作者采用双重增长阶段修改 LinUCB，并用最佳子集选择估计参数；随后引入 SupLinUCB 框架进一步改进遗憾界。
- 材料陈述的贡献
- 摘要称算法具有高概率遗憾保证，对环境维数的依赖较弱；进一步的方法达到所述低维线性随机赌博机问题的极小极大下界。
- 阅读关注点
- 应核对随机行动与上下文的分布条件、最佳子集选择的计算成本、阶段划分规则，以及遗憾上界和匹配下界的准确表达。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；遗憾阶数表达可能丢失根号或其他符号，需查原 PDF，不能据此重构。
原文摘要
We consider the stochastic contextual bandit problem under the high dimensional linear model. We focus on the case where the action space is finite and random, with each action associated with a randomly generated contextual covariate. This setting finds essential applications such as personalized recommendations, online advertisements, and personalized medicine. However, it is very challenging to balance the exploration and exploitation tradeoff. We modify the LinUCB algorithm in doubly growing epochs and estimate the parameter using the best subset selection method, which is easy to implement in practice. This approach achieves O(sT) regret with high probability, which is nearly independent of the “ambient” regression model dimension d. We further attain a sharper O(sT) regret by using the SupLinUCB framework and match the minimax lower bound of the low-dimensional linear stochastic bandit problem. Finally, we conduct extensive numerical experiments to empirically demonstrate our algorithms’ applicability and robustness. Supplementary materials for this article are available online.