Учеба на местах в целях оптимизации контекста с частичными ответами

arXiv: 2606.01081v2 Annuales Type: заменить резюме: ориентированное на принятие решений обучение (DFL) обеспечивает подготовку моделей прогнозирования путем оптимизации качества принятия решения в низовьях, а не отдельной точности прогнозов. Для контекстуальной линейной оптимизации большинство существующих методов ДФЛ предполагают использование данных офлайновой связи и полные наблюдения объективного вектора затрат. Мы разрабатываем метод обучения по вопросам политики для последовательной контекстуальной линейной оптимизации с частичными обратной связью, обобщая стандартную систему обратной связи между бандитами. Наш метод учится стохастической политике прогнозирования-тогда оптимизации, в рамках которой выборка прогноза затрат-векторов производится на основе условного распределения и решает возникшую проблему линейной оптимизации вниз по течению. Для обновления этой распределительной модели мы введем двухкомпонентный гибридный градиент. Первым компонентом является оценка функции баллов, которая позволяет получить беспристрастную оценку градиентной политики с высокой степенью вероятности. Вторая - это компонент, ориентированный на принятие решений и использующий вспомогательную оценку помех