Πολυβραχίονες Κλέφτες (UCB, Δειγματοληψία Thompson)

Ο πολυβραχίωνας κλέφτης (MAB) είναι ένα προσαρμοστικό πειραματικό πλαίσιο που κατανέμει δοκιμές διαδοχικά σε ανταγωνιστικούς βραχίονες για την ελαχιστοποίηση του σωρευτικού απωλεσθέντος, ενώ ταυτόχρονα μαθαίνει ποιος βραχίονας αποδίδει καλύτερα. Τυποποιημένο από τον Robbins το 1952 και με εγγυήσεις πεπερασμένου χρόνου από τους Auer et al. (2002), εξισορροπεί την εξερεύνηση αβέβαιων επιλογών έναντι της εκμετάλλευσης των επί του παρόντος γνωστών καλύτερων επιλογών — υπεραποδίδοντας έναντι των κλασικών δοκιμών Α/Β όποτε η πρόωρη διακοπή ή η ευαίσθητη στο κόστος κατανομή έχει σημασία.