본 논문은 최적의 팔(arm) 식별(BAI) 문제를 연구하며, 특히 추가적인 제약 조건(feasibility constraints)을 만족하는 최적의 팔을 찾는 데 초점을 맞춘다. 기존 연구와 달리, 성능과 제약 조건이 동시에 관찰되지 않는 실제 상황(예: 약물 발견)을 고려하여, 팔을 선택하고 성능 또는 제약 조건 테스트를 선택하는 알고리즘을 설계한다. 고정된 신뢰 수준에서 최고 성능을 가진 '실현 가능한' 팔을 식별하는 문제를 다루며, 효율적인 알고리즘을 제안하고 샘플 복잡성에 대한 상한을 제시한다. 제안된 알고리즘은 문제의 난이도에 자연스럽게 적응하고 성능 저하 또는 비현실성(infeasibility)에 의해 팔을 제거할 수 있으며, 점근적으로 최적임을 입증한다. 또한, 합성 및 실제 데이터 세트에서 기존 BAI 알고리즘보다 우수한 성능을 보인다.
