Presná definícia
Čo znamená horná medza spoľahlivosti?
Horná medza spoľahlivosti v banditoch vyberá akciu maximalizujúcu súčet odhadu odmeny a bonusu za neistotu. Bonus klesá s počtom pozorovaní, takže stratégia optimisticky skúma slabo preskúmané ramená.
Skúsenosť a kontext
Ako sa pojem používa v praxi
Tím používa UCB pre varianty s okamžitou odozvou, kalibruje koeficient bonusu simuláciou a monitoruje regret aj počet výberov každého ramena.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Čo presne znamená horná medza spoľahlivosti?
Horná medza spoľahlivosti v banditoch vyberá akciu maximalizujúcu súčet odhadu odmeny a bonusu za neistotu.
Kedy sa horná medza spoľahlivosti používa?
Tím používa UCB pre varianty s okamžitou odozvou, kalibruje koeficient bonusu simuláciou a monitoruje regret aj počet výberov každého ramena.
Od čoho treba horná medza spoľahlivosti odlíšiť?
Greedy voľba používa iba odhad priemeru; UCB k nemu pridáva explicitnú hornú neistotnú hranicu.
Ako sa horná medza spoľahlivosti kontroluje?
Overuje sa vzorec bonusu, predpoklad odmien, inicializácia ramien, oneskorenia, ne-stacionarita a simulovaný regret.
Aké obmedzenie má horná medza spoľahlivosti?
Pri zlom modeli neistoty alebo meniacich sa odmenách hranica nemá deklarovaný význam a prieskum je skreslený.