Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Best Arm Identification with Possibly Biased Offline Data

Created by
  • Haebom

저자

Le Yang, Vincent Y. F. Tan, Wang Chi Cheung

개요

본 논문은 고정 신뢰도 설정에서 편향된 오프라인 데이터를 포함하는 최적 팔 식별(BAI) 문제를 다룬다. 이는 임상 시험과 같은 실제 시나리오에서 흔히 발생하는 문제이다. 저자들은 온라인 및 오프라인 분포 간의 편향 경계에 대한 사전 지식 없이 적응형 알고리즘에 대한 불가능성 결과를 증명한다. 이를 해결하기 위해, 저자들은 LUCB 프레임워크 내에서 오프라인 및 온라인 데이터의 균형을 맞추기 위한 보조 편향 보정을 통합하는 적응형 신뢰 경계를 도입하는 LUCB-H 알고리즘을 제안한다. 이론적 분석에 따르면, 오프라인 데이터가 오해의 소지가 있는 경우 LUCB-H는 표준 LUCB의 샘플 복잡도와 일치하고, 오프라인 데이터가 유용한 경우에는 상당히 능가한다. 또한 특정 시나리오에서 LUCB-H의 상한선과 일치하는 인스턴스 종속 하한선을 도출한다. 수치 실험은 LUCB-H의 강건성과 적응성을 더욱 입증하며, 오프라인 데이터를 효과적으로 통합한다.

시사점, 한계점

•
시사점:
◦
편향된 오프라인 데이터를 효과적으로 활용하는 새로운 알고리즘 LUCB-H 제안.
◦
LUCB-H 알고리즘의 이론적 성능 분석을 통해 표준 LUCB 알고리즘 대비 우수성 증명.
◦
오프라인 데이터가 유용한 경우, LUCB-H 알고리즘이 표준 LUCB 알고리즘보다 뛰어난 성능을 보임.
◦
인스턴스 종속 하한선을 도출하여 알고리즘의 성능 한계를 규명.
◦
수치 실험을 통해 LUCB-H 알고리즘의 실제 성능 검증.
•
한계점:
◦
온라인 및 오프라인 분포 간의 편향 경계에 대한 사전 지식이 없는 경우 적응형 알고리즘의 불가능성을 증명하였으나, 편향 경계에 대한 사전 지식이 있는 경우에 대한 분석은 부족.
◦
인스턴스 종속 하한선이 모든 시나리오에서 LUCB-H의 상한선과 일치하는 것은 아님.
◦
실제 적용 시, 오프라인 데이터의 편향 정도를 정확하게 파악하는 것이 어려울 수 있음.
👍
Made with Slashpage