Dataset Characteristics and Their Impact on Offline Policy Learning of Contextual Multi-Armed Bandits - Publikacja - MOST Wiedzy

Wyszukiwarka

Dataset Characteristics and Their Impact on Offline Policy Learning of Contextual Multi-Armed Bandits

Abstrakt

The Contextual Multi-Armed Bandits (CMAB) framework is pivotal for learning to make decisions. However, due to challenges in deploying online algorithms, there is a shift towards offline policy learning, which relies on pre-existing datasets. This study examines the relationship between the quality of these datasets and the performance of offline policy learning algorithms, specifically, Neural Greedy and NeuraLCB. Our results demonstrate that NeuraLCB can learn from various datasets, while Neural Greedy necessitates extensive coverage of the action-space for effective learning. Moreover, the way data is collected significantly affects offline methods’ efficiency. This underscores the critical role of dataset quality in offline policy learning.

Cytowania

  • 0

    CrossRef

  • 0

    Web of Science

  • 0

    Scopus

Słowa kluczowe

Informacje szczegółowe

Kategoria:
Aktywność konferencyjna
Typ:
publikacja w wydawnictwie zbiorowym recenzowanym (także w materiałach konferencyjnych)
Język:
angielski
Rok wydania:
2024
Opis bibliograficzny:
Januszewski P., Grzegorzek D., Czarnul P.: Dataset Characteristics and Their Impact on Offline Policy Learning of Contextual Multi-Armed Bandits// / : , 2024,
DOI:
Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.5220/0012311000003636
Źródła finansowania:
  • Działalność statutowa/subwencja
Weryfikacja:
Politechnika Gdańska

wyświetlono 75 razy

Publikacje, które mogą cię zainteresować

Meta Tagi