Avoiding the Price of Adaptivity: Inference in Linear Contextual Bandits via Stability

Research#llm🔬 Research|分析: 2025年12月25日 04:31•
发布: 2025年12月24日 05:00
•
1分で読める
•ArXiv Stats ML

分析

This ArXiv paper addresses a critical challenge in contextual bandit algorithms: the \

要点

    引用 / 来源
    查看原文
    "When stability holds, the ordinary least-squares estimator satisfies a central limit theorem, and classical Wald-type confidence intervals -- designed for i.i.d. data -- become asymptotically valid even under adaptation, \emph{without} incurring the $\\sqrt{d \\log T}$ price of adaptivity."
    A
    ArXiv Stats ML2025年12月24日 05:00
    * 根据版权法第32条进行合法引用。
    较旧

    KAN-AFT: Interpretable Nonlinear Survival Model with Kolmogorov-Arnold Networks and Accelerated Failure Time Analysis

    较新

    Shallow Neural Networks Learn Low-Degree Spherical Polynomials with Learnable Channel Attention

    相关分析

    Research

    人类AI检测

    2026年1月4日 05:47

    Research

    侧重于实现的深度学习书籍

    2026年1月4日 05:49

    Research

    个性化 Gemini

    2026年1月4日 05:49

    来源: ArXiv Stats ML