Balanced Linear Contextual Bandits
带平衡调整的线性情境老虎机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。
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：摘要明确将因果推断中的平衡方法用于适应性分配下的结果估计，因而与因果推断的方法方向直接相关。
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…
带平衡调整的线性情境老虎机
- 研究问题
- 研究在线性收益的情境老虎机中，如何缓解学习过程中的结果模型估计偏差，并保持探索与利用的遗憾保证。
- 方法与思路
- 作者将因果推断中的平衡方法融入线性情境老虎机的结果模型估计，并分析遗憾界及多种数据场景下的表现。
- 材料陈述的贡献
- 摘要称，论文首次给出带平衡调整的线性情境老虎机遗憾分析，其理论保证达到已有先进界，并展示实践优势。
- 阅读关注点
- 应核对平衡权重的构造、探索规则与遗憾界假设，以及模型误设和初始训练偏差实验中优势的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明具体遗憾率、权重稳定条件或实践优势的数值大小。
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 develop algorithms for contextual bandits with linear payoffs 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 linear contextual bandits with balancing and show that our algorithms match the state of the art theoretical guarantees. 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 misspecification and prejudice in the initial training data.