본 논문은 기존의 다중 팔 밴딧 문제(multi-armed bandit problem)의 가정인 독립적이고 정상적인 각 팔의 보상이라는 전제를 벗어나, 비정상적인 환경과 팔들 간의 상호 의존성을 고려한 새로운 밴딧 문제를 제시합니다. 특히, 하나의 팔을 선택하는 행위가 다른 팔의 미래 보상에 영향을 미치는 상황을 모델링하기 위해, 알려지지 않은 대칭적이고 양의 준정부호 상호작용 행렬을 통해 팔 손실의 역학을 제어하는 "영향력 있는 밴딧 문제(influential bandit problem)"를 정의합니다. 이 문제에 대한 두 가지 후회(regret) 하한선을 제시하고(표준 LCB 알고리즘에 대한 초선형 $\Omega(T^2 / \log^2 T)$ 하한선과 알고리즘에 독립적인 $\Omega(T)$ 하한선), 새로운 LCB 기반 알고리즘을 제안합니다. 제안된 알고리즘은 온화한 가정 하에 $O(KT \log T)$의 후회를 달성하며, 합리적인 계산 효율성을 갖습니다. 합성 및 실제 데이터셋을 이용한 실험 결과는 팔 간의 영향력 존재를 보여주고, 기존 밴딧 알고리즘에 비해 제안된 방법의 우수한 성능을 확인합니다.
