Thompson Sampling for Stochastic Bandits with Noisy Contexts: An Information-Theoretic Regret Analysis

We study stochastic linear contextual bandits (CB) where the agent observes a <i>noisy</i> version of the true context through a noise channel with unknown channel parameters. Our objective is to design an action policy that can “approximate” that of a Bayesian oracle that has access to the reward m...

Ամբողջական նկարագրություն

Մատենագիտական մանրամասներ

Հիմնական հեղինակներ:	Sharu Theresa Jose, Shana Moothedath
Ձևաչափ:	Artigo
Լեզու:	Inglês
Հրապարակվել է:	MDPI AG 2024-07-01
Շարք:	Entropy
Խորագրեր:	noisy contextual bandits Thompson sampling Bayes regret information theory
Առցանց հասանելիություն:	https://www.mdpi.com/1099-4300/26/7/606
Ցուցիչներ:	Ավելացրեք ցուցիչ Չկան պիտակներ, Եղեք առաջինը, ով նշում է այս գրառումը!