Bandido Multi-Brazo (UCB, Muestreo de Thompson)

El bandido multi-brazo (MAB, por sus siglas en inglés) es un marco experimental adaptativo que asigna ensayos secuencialmente entre brazos competidores para minimizar el arrepentimiento acumulado mientras aprende simultáneamente qué brazo funciona mejor. Formalizado por Robbins en 1952 y con garantías de tiempo finito por Auer et al. (2002), equilibra la exploración de opciones inciertas con la explotación de las opciones actualmente conocidas como mejores, superando las pruebas A/B clásicas siempre que la detención temprana o la asignación sensible al costo sean importantes.