Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Easy i-Move: Structured Image Recognition Solution for Automatic Guided Vehicles Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Adversarial Multiarmed Bandit Problems in Gradually Evolving Worlds

verfasst von : Chia-Jung Lee, Yalei Yang, Sheng-Hui Meng, Tien-Wen Sung

Erschienen in: Advances in Smart Vehicular Technology, Transportation, Communication and Applications

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

We study the adversarial multi-armed bandit problem, in which a player must iteratively make online decisions with linear loss vectors and hopes to achieve a small total loss. We consider a natural measure on the loss vectors, called deviation, which is the sum of the distances between every two consecutive loss functions. We propose an online algorithm and the experimental results show that the proposed algorithm can achieve a small total loss when the loss functions have a small deviation.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Time Domain Acoustic Scattering from Locally Perturbed Flat Substrates
Nächstes Kapitel A Video Coloring Method Based on CNN and Feature Point Tracking
Fußnoten
1
We use the notation \(\tilde{O}\left( \cdot \right) \) to hide the dependence on \(\mathrm {poly}(\log T)\) factor.
 
Literatur
1.
Audibert, J.-Y., Bubeck, S.: Regret bounds and minimax policies under partial monitoring. J. Mach. Learn. Rese. 11, 2635–2686 (2010)MATHMathSciNet
2.
Audibert, J.-Y., Bubeck, S., Lugosi, G.: Minimax policies for combinatorial prediction games. In: COLT, pp. 107–132 (2011)
3.
Auer, P., Cesa-Bianchi, N., Fischer, P.: Finite-time analysis of the multiarmed bandit problem. Mach. Learn. 47(2–3), 235–256 (2002)CrossRefMATH
4.
Auer, P., Cesa-Bianchi, N., Freund, Y., Schapire, R.E.: The nonstochastic multiarmed bandit problem. SIAM J. Comput. 32(1), 48–77 (2002)CrossRefMATHMathSciNet
5.
Bubeck, S., Cesa-Bianchi, N.: Regret analysis of stochastic and nonstochastic multi-armed bandit problems. Found. Trends Mach. Learn. 5(1), 1–122 (2012)CrossRefMATH
6.
7.
Chiang, C.-K., Yang, T., Lee, C.-J., Mahdavi, M., Lu, C.-J., Jin, R., Zhu, S.: Online optimization with gradual variations. In: COLT, pp. 6.1–6.20 (2012)
8.
Hazan, E., Kale, S.: Better algorithms for benign bandits. J. Mach. Learn. Res. 12, 1287–1311 (2011)MATHMathSciNet
9.
Kleinberg, R., Niculescu-Mizil, A., Sharma, Y.: Regret bounds for sleeping experts and bandits. Mach. Learn. 80(2–3), 245–272 (2010)CrossRefMATHMathSciNet
10.
Lee, C.-J., Tsai, S.-C., Yang, M.-C.: Online prediction problems with variation. In: COCOON, pp. 49–60 (2014)
11.
Neu, G., György, A., Szepesvári, C., Antos, A.: Online markov decision processes under bandit feedback. IEEE Trans. Automat. Contr. 59(3), 676–691 (2014)CrossRefMATHMathSciNet
12.
Metadaten
Titel
Adversarial Multiarmed Bandit Problems in Gradually Evolving Worlds
verfasst von
Chia-Jung Lee
Yalei Yang
Sheng-Hui Meng
Tien-Wen Sung
Copyright-Jahr
2018
Buch
Advances in Smart Vehicular Technology, Transportation, Communication and Applications

Print ISBN: 978-3-319-70729-7

Electronic ISBN: 978-3-319-70730-3

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-70730-3_36

    Premium Partner

    Bildnachweise