The Role of Contextual Information in Best Arm Identification
情境信息在最优臂识别中的作用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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究序贯抽样与最优臂识别，未直接涉及给定分类中的离散选择或因果效应估计。
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…
关注这篇论文的作者
情境信息在最优臂识别中的作用
- 研究问题
- 在固定置信度的随机多臂老虎机问题中，如何利用每轮可见的协变量，以尽可能少的抽样识别边际平均奖励最高的臂？
- 方法与思路
- 作者推导实例特定的样本复杂度下界，并提出利用情境信息的 Track-and-Stop 策略，使抽样比例跟踪最优分配集合。
- 材料陈述的贡献
- 摘要称策略的期望抽样次数渐近达到下界，情境信息可提高边际最优臂的识别效率，并通过实验展示更快的识别。
- 阅读关注点
- 应核对情境分布及奖励模型限制、最优分配定义、停止规则的错误率控制，以及渐近最优性与有限样本表现的差别。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或接收。摘要未说明下界与效率改善的具体条件，不能推出任意情境下均获益。
原文摘要
We study the best-arm identification problem with fixed confidence when contextual (covariate) information is available in stochastic bandits. Although we can use contextual information in each round, we are interested in the marginalized mean reward over the contextual distribution. Our goal is to identify the best arm with a minimal number of samplings under a given value of the error rate. We show the instance-specific sample complexity lower bounds for the problem. Then, we propose a context-aware version of the "Track-and-Stop" strategy, wherein the proportion of the arm draws tracks the set of optimal allocations and prove that the expected number of arm draws matches the lower bound asymptotically. We demonstrate that contextual information can be used to improve the efficiency of the identification of the best marginalized mean reward compared with the results of Garivier & Kaufmann (2016). We experimentally confirm that context information contributes to faster best-arm identification.