Многорък бандит (UCB, семплиране на Томпсън)

Многоръкият бандит (MAB) е адаптивна експериментална рамка, която разпределя последователно опити между конкуриращи се „ръце“, за да минимизира кумулативния регрет, като същевременно научава коя „ръка“ се представя най-добре. Формализиран от Робинс през 1952 г. и с гаранции за крайно време от Ауер и др. (2002), той балансира изследването на несигурни опции срещу експлоатацията на текущо известни най-добри опции – надминавайки класическото A/B тестване, когато ранното спиране или чувствителното към разходите разпределение са от значение.