Cet article propose le cadre de réinitialisation sélective (SeRe) pour résoudre le problème de « perte de plasticité » de l'algorithme de clustering de bandits neuronaux (CNB), une extension de la technique de clustering (CB) de l'algorithme des bandits basée sur un réseau neuronal. Bien que le CNB améliore les performances en regroupant des bandits similaires, ses paramètres réseau se fixent au fil du temps, ce qui rend difficile l'adaptation aux environnements anormaux. SeRe atténue la perte de plasticité et assure une rétention stable des connaissances en réinitialisant sélectivement les unités sous-utilisées à l'aide d'une métrique d'utilité contributive. De plus, il garantit une adaptation efficace sans réinitialisation inutile grâce à un mécanisme adaptatif de détection des changements qui ajuste la fréquence de réinitialisation en fonction du degré d'anomalie. Théoriquement, SeRe permet d'obtenir un regret cumulatif sous-linéaire dans des environnements à intervalles normaux. Des expériences sur six jeux de données de recommandation réels démontrent un regret moindre, une adaptabilité et une robustesse améliorées par rapport à l'algorithme CNB existant.
