Problém víceocasého bandity (UCB, Thompson Sampling)

Problém víceocasého bandity (MAB) je adaptivní experimentální rámec, který sekvenčně alokuje pokusy mezi konkurenční „ocas“ (varianty, léčby, položky) s cílem minimalizovat kumulativní lítost (regret) a současně se učit, který „ocas“ funguje nejlépe. Formalizován Robbinsnem v roce 1952 a s konečnými časovými zárukami od Auer et al. (2002) vyvažuje průzkum (exploration) nejistých možností proti využití (exploitation) aktuálně známých nejlepších možností — překonává klasické A/B testování, kdykoli je důležité včasné zastavení nebo alokace citlivá na náklady.