arXiv · AI· Rohan Deb, Mohammad Ghavamzadeh, Arindam Banerjee·· 5 小时前AI 评分21
保守博弈带徒：基线约束下的偏好学习
Conservative Dueling Bandits: Preference Learning under Baseline Constraints
AI 导读
研究提出保守博弈带徒算法，要求每轮较好选项累计得分高于可信基线 $(1-\alpha)$ 比例。 针对线性效用开发 MaxInP-BC，以 $\tilde{O}(d\sqrt{T}/\kappa)$ regret 实现高概率安全；通用效用类开发 BTIGW-BC，将在线逻辑回归 oracle 保证转化为累积安全证书，确保有限次回退且 regret 亚线性。
来源：arXiv · AI · arxiv.org