Multi-Armed Bandit (UCB, Thompson Sampling) — Adaptiv Ressourceallokeringsmetode

Multi-armed bandit (MAB) er et adaptivt eksperimentelt framework, der sekventielt allokerer forsøg på tværs af konkurrerende arme for at minimere kumulativt 'regret' (tabt gevinst), samtidig med at der læres, hvilken arm der præsterer bedst. Formuleret af Robbins i 1952 og med garantier for endelig tid af Auer et al. (2002), balancerer det udforskning af usikre muligheder mod udnyttelse af de aktuelt kendte bedste muligheder — og overgår klassisk A/B-testning, når tidlig afslutning eller omkostningsfølsom allokering er vigtig.