文章目录

• 前言
• 算法优势
• 算法原理
• • UCB公式
  • UCB算法流程
• 相关定理及证明
• • 定理7.1
  • 证明
  • 定理7.2
  • 证明
• 总结
• 参考资料

前言

笔者毕设研究的是Bandit问题，因此最近在学习相关的内容，想记录下学习的笔记主要涉及算法理论相关的知识，设计算法流程和公式推导。不太清楚Bandit问题的小伙伴可以阅读下面的资料作为入门。

https://zhuanlan.zhihu.com/p/38459055

https://lilianweng.github.io/lil-log/2018/01/23/the-multi-armed-bandit-problem-and-its-solutions.html

算法优势

UCB算法对比ETC算法的优势在于：

1. 它不依赖于对于次优间隙的先验知识
2. 对于两个以上臂的赌博机表现更加优秀

算法原理

UCB公式

有人问deta是怎么得到的：根据这个不等式，用deta表示epsilon得到第二个式子

UCB算法流程

在探索阶段阶段，我们需要探索更多的臂的原因有：

1. 臂i的t-1轮的奖励均值很大
2. 臂i在t-1轮内被执行的次数很小，没有被充分探索

在臂i被执行足够多的次数之后，我们希望t-1轮内臂i的历史奖励均值能够趋近于它的理论均值。
当以下式子成立时，我们假设臂1是最优的臂，\delta 称为置信界：

相关定理及证明

定理7.1

对于k臂1-次高斯赌博机问题，对于任意n轮选择，如果$$\delta =1/n^2$$则采用上述UCB算法有遗憾上界如下：

证明

臂i前s次采样的平均奖励可以定义为
$${\mu }_{is}=1/s\sum _{u=1}^s{X}_{ui}$$

根据遗憾分解引理：有$$R_n=\sum _{i=1}^k{△}_i\mathrm{E}[T_i(n)]$$，算法要求我们至少对每个动作的至少执行一次，动作i的UCB值大于最优动作的UCB值时，动作i会被选取，此时一下至少有一项发生，

1. 动作i的UCB值大于最优动作的理论均值
2. 最优动作的UCB小于它的理论均值

我们定义一个好的事件为：

第一项：说明动作1的UCB值尚未收敛到它的理论均值
第二项：动作i的奖励上界小于动作1的奖励的理论均值
G_i的定义揭露了两件事情：

1. T_i(n) <= u_i
2. G_i^c 以较低的概率发生

因此前n轮动作i执行的次数的期望可以分解为(*)式：

事件1可以用反证法证明，此处略。

定义完G_i之后，G_i^c定义为它的补集：

接下来，我们将上式拆成两项进行分析。
分析第一项：根据UCB的定义，我们能够得到，

\mu_1大于等于n轮内动作1UCB值的最小值的集合就真包含于n轮内\mu_1大于等于动作1的UCB值的并集。
由上式得到如下如下不等式，最后一项采用置信度\delta的定义进行放缩：

分析第二项：
我们假设(**)式:

结合次优间隙的定义：$${\mu }_1={\mu }_i+{△}_i$$，得到如下不等式：

前两项我们容易理解，是简单的代入，最后一项用了霍夫丁引理进行放缩。
结合一、二两项，我们容易得到G_i^c发生的概率为：

把它代入(*)式得到(***)式：

我们再将(**)式变形得到：

最后，我们假设$$\delta =1/n^2$$并将上式代入(***)式并化简：

不难看出最后一项是小于1的，因为$$2c^2/(1-c{)}^2$$大于等于1。如果c趋近于1那么第一项会趋近于无穷大，因此我们选择代入c等于1/2，最终得到前n轮动作i执行的次数的期望的上界为：

定理7.1证明完毕。

定理7.2

如果$$\delta =1/n^2$$，对于1-次高斯环境采用UCB算法的遗憾上界为：

证明

根据遗憾分解引理，遗憾可以定义为：

定理7.1中我们已经证明得到

代入遗憾的定义式可以得到：

最后一步用到高中数学中常见的$$ax+b/x\ge 2\sqrt{ab}$$当且仅当$$ax=b/x$$时等式去到最大。
证明完毕。

总结

本文中，笔者介绍了UCB算法的流程以及相关定理的理论证明。由于笔者也是在学习过程中，有任何不对的地方或者值得探讨的地方欢迎大家在评论区留言。如果本文对大家有所帮助欢迎点赞收藏～
接下来的文章中，笔者将开启对抗式赌博机的学习，分享包括EXP3等相关算法的学习笔记。

参考资料

《Bandit Algorithms》一本专门研究Bandit问题的书籍，第七章。