Estimation Considerations in Contextual Bandits
情境老虎机中的估计问题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：摘要明确讨论潜在结果估计及来自因果推断的平衡方法，分类依据是这些方法内容，而非一般在线学习术语。
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…
情境老虎机中的估计问题
- 研究问题
- 研究情境老虎机当前的探索与利用方式如何影响后续潜在结果模型的偏差和方差，以及能否改善早期学习。
- 方法与思路
- 作者将平衡方法融入参数与非参数情境老虎机，并利用稀疏模型估计构造更简单的分配策略，结合理论与实验评估。
- 材料陈述的贡献
- 摘要称，在线性情境老虎机中得到与已有先进结果相匹配的遗憾界，并发现简化分配策略可在早期减少遗憾。
- 阅读关注点
- 应区分线性情境下的理论保证与非参数方法的实验依据，核对平衡实现、稀疏估计条件及早期学习的比较设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未提供遗憾界细节，经验优势不能据此推广到所有学习阶段。
原文摘要
Contextual bandit algorithms are sensitive to the estimation method of the outcome model as well as the exploration method used, particularly in the presence of rich heterogeneity or complex outcome models, which can lead to difficult estimation problems along the path of learning. We study a consideration for the exploration vs. exploitation framework that does not arise in multi-armed bandits but is crucial in contextual bandits; the way exploration and exploitation is conducted in the present affects the bias and variance in the potential outcome model estimation in subsequent stages of learning. We develop parametric and non-parametric contextual bandits that integrate balancing methods from the causal inference literature in their estimation to make it less prone to problems of estimation bias. We provide the first regret bound analyses for contextual bandits with balancing in the domain of linear contextual bandits that match the state of the art regret bounds. We demonstrate the strong practical advantage of balanced contextual bandits on a large number of supervised learning datasets and on a synthetic example that simulates model mis-specification and prejudice in the initial training data. Additionally, we develop contextual bandits with simpler assignment policies by leveraging sparse model estimation methods from the econometrics literature and demonstrate empirically that in the early stages they can improve the rate of learning and decrease regret.