Feb, 2022

解决上下文赌博机问题的 Tsetlin 机

PDF
TL;DR本研究通过使用 Tsetlin Machines 介绍了一种可解释的上下文赌博算法，该算法使用命题逻辑解决复杂的模式识别任务。该算法使用简单的位操作来进行推理，从而简化计算和解释，并提出了一种 Tsetlin Machines 与 Thompson sampling 结合的机制。经验证，该算法在 8 个数据集上表现优于其他流行算法，并研究了其可解释性。
interpretable contextual bandittsetlin machinespropositional logicthompson samplinginterpretability
发现论文，激发创造
  • Tsetlin 机 - 一种博弈论强化的主观逻辑最优模式识别方法

    本文介绍了 Tsetlin Machine，一种通过使用陈述公式的 Tsetlin Automata 集合来解决复杂的模式识别问题的机器。 使用一个新颖的游戏来协调自动机，具有高准确性、可解释性和计算简单性，它在五个基准中提供与其他分类器相媲美的准确性。

    Apr, 2018

  • 上下文关注的赌博机：具有限制上下文的上下文赌徒

    该论文探讨了一种新颖的 “限制上下文条件下的上下文赌博机” 模型，其中将 Thompson 抽样算法用于处理固定状态和非固定状态，该方法在临床试验、推荐系统和注意力建模中有较大应用。实验证明了提出方法在多个真实数据集上优势明显。

    May, 2017

  • 基于线性回报的情境型贝叶斯 - 汤普森抽样算法

    本文设计和分析了一种基于贝叶斯思想的 Thompson Sampling 算法泛化版本，用于解决带有线性收益函数的随机上下文多臂老虎机问题，同时提供了该算法的第一理论保证，得到了最佳遗憾保证。

    Sep, 2012

  • 半参数情境赌博机

    该论文研究了半参数上下文赌博机问题，设计了新的算法来解决非线性混淆影响下的奖励估计问题，并通过实证评估证明了该算法的有效性。

    Mar, 2018

  • 平衡线性情境臂

    本篇论文针对强异质性或复杂结果模型容易引起难以估计问题的上下文匹配算法，通过整合因果推断文献中的平衡方法来降低其偏差估计的问题，并对具有平衡的线性上下文匹配算法进行损失分析，从而展示了其在多个监督学习数据集上的实用优势以及在初级训练数据中模拟模型错误和偏见的工作中所展现出的优越性。

    Dec, 2018

  • 多臂情境赌博机的变分推断

    利用变分推理方法，克服了 Thompson sampling 算法在模型设计和复杂性上的局限性，为复杂环境下的强化学习问题提供了可靠的解决方案。

    Sep, 2017

  • 深度上下文多臂赌博机

    本文提出了一个非线性深度学习框架，用于处理上下文多臂赌博机问题，并通过 Thompson sampling 方法来解决探索与开发的取舍。我们采用贝叶斯神经网络的权重后验分布来解决 dropout 和采样之间的联系，并通过自适应学习 dropout 率从而自动调整探索水平。在两个任务上，我们的方法相较于其他方法用于减少损失，并将其应用于 HubSpot 的市场优化问题。

    Jul, 2018

  • 上下文赌博大比拼

    本文是对背景上下文算法的一个全面的研究和综述，重点关注依靠监督学习的优化原则的实用方法，并利用大量的监督学习数据集进行了实证评估。研究发现，最近使用不确定性乐观主义的方法在整体上效果最好，其次是通过上下文多样性暗示进行探索的简单贪心基线。

    Feb, 2018

  • 利用特斯特林机进行高效数据融合

    我们提出了一种新颖的方法，通过 Tsetlin 机器来评估和融合嘈杂的动态数据。我们的方法是通过监测 TM 学习的逻辑子句在动态数据中的可能噪声下如何变化来识别噪声，从而通过降低先前学习的子句的权重或以新子句的形式反映它。我们还进行了一项全面的实验研究，使用了明显不同的数据集，证明了所提出方法的高性能。

    Oct, 2023

  • 广义线性情境赌博机的可证明最优算法

    本文提出了针对广义线性情境臂的上界置信度算法，实现了与众不同的性能，同时我们还分析了更简单的上界置信度算法，在特定情况下证明了该算法具有最优的后悔。

    Feb, 2017