Thompson Sampling은 탐색과 활용의 균형을 맞추는 원칙적인 방법이지만, 대규모 또는 비공액 설정에서는 계산상의 어려움에 직면합니다. 앙상블 기반 접근 방식은 부분적인 해결책을 제공하지만, 일반적으로 과도하게 큰 앙상블 크기가 필요합니다. 본 논문에서는 랜덤 선형 결합을 사용하는 새로운 공유 요소 앙상블 아키텍처를 사용하는 확장 가능한 탐색 프레임워크인 Ensemble++를 제안합니다. 선형 밴딧의 경우, Ensemble++가 $\Theta(d \log T)$의 앙상블 크기만으로 정확한 Thompson Sampling과 비교할 만한 후회를 달성한다는 이론적 보장을 제공합니다. 이는 기존 방법보다 훨씬 뛰어난 성능입니다. 중요한 것은 이 효율성이 시간 불변 또는 시간 변화 컨텍스트를 사용하는 컴팩트 및 유한 행동 집합 모두에서 구성 변경 없이 유지된다는 것입니다. 고정된 특징을 학습 가능한 신경 표현으로 대체하면서 동일한 증분 업데이트 원리를 유지하여 비선형 보상으로 이 이론적 기반을 확장하여 실제 작업에 대한 이론과 실제를 효과적으로 연결합니다. 선형, 2차, 신경 및 GPT 기반 상황 밴딧에 대한 포괄적인 실험은 이론적 발견을 검증하고 최첨단 방법에 비해 Ensemble++의 우수한 후회-계산 절충을 보여줍니다.
