National and Kapodistrian University of Athens
Mathematical Models and Algorithms for Contextual Multi-armed Bandit Problems
Abstract
dc:descriptionΗ παρούσα διπλωματική εργασία αναφέρεται σε μια ειδική κατηγορία των προβλημάτων bandit, τα contextual bandits, καθώς και σε αλγορίθμους για προβλήματα εκμάθησης. Τα contextual bandits ανήκουν στον τομέα της ενισχυτικής μάθησης και σε ένα τέτοιο πρόβλημα, ο αλγόριθμος πρέπει να λαμβάνει αποφάσεις για την επιλογή ενεργειών με βάση τα contexts, τα οποία περιλαμβάνουν πληροφορίες για την τρέχουσα κατάσταση του συστήματος και πιθανόν προηγούμενα αποτελέσματα που έχουν συλλεχθεί. Στόχος του αλγορίθμου είναι να μάθει μια πολιτική που, με την πάροδο του χρόνου ,θα επιλέγει ενέργειες με το μεγαλύτερο πιθανό κέρδος. Στην εργασία θα γίνει αναφορά σε βασικές έννοιες, ορισμούς, παραδείγματα και εφαρμογές σχετικά με τα προβλήματα bandit. Αφού αναλυθούν τα κυριότερα αποτελέσματα σχετικά με τα stochastic και τα adversarial bandits, θα εμβαθύνουμε τη διατριβή σε θεωρήματα και αλγορίθμους που αφορούν τα contextual bandits, με έμφαση στον αλγόριθμο Thompson Sampling. Επίσης θα σχεδιαστούν μελέτες προσομοίωσης για την αξιολόγηση των αλγορίθμων Thompson και LinUCB σε διάφορες κατηγορίες προβλημάτων ενισχυτικής μάθησης.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Ζάχαρης Δημήτριος
- Zacharis Dimitrios
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:3356103