论文标题
遗憾保证的调查匪徒
Survey Bandits with Regret Guarantees
论文作者
论文摘要
我们考虑上下文匪徒问题的变体。在标准上下文的强盗中，当用户到达时，我们会获得用户的完整功能向量，然后为该用户分配治疗（ARM）。在许多应用程序（例如医疗保健）中，从用户那里收集功能可能是昂贵的。为了解决这个问题，我们提出算法，以避免不必要的功能收集，同时保持强烈的遗憾保证。
We consider a variant of the contextual bandit problem. In standard contextual bandits, when a user arrives we get the user's complete feature vector and then assign a treatment (arm) to that user. In a number of applications (like healthcare), collecting features from users can be costly. To address this issue, we propose algorithms that avoid needless feature collection while maintaining strong regret guarantees.
