Multi-Armed Bandit (UCB, Thompson Sampling)

Multi-Armed Bandit (MAB) adalah kerangka kerja eksperimental adaptif yang mengalokasikan percobaan secara sekuensial ke berbagai lengan (arm) yang bersaing untuk meminimalkan penyesalan kumulatif (cumulative regret) sambil secara bersamaan mempelajari lengan mana yang berkinerja terbaik. Diformalisasi oleh Robbins pada tahun 1952 dan diberikan jaminan waktu terbatas oleh Auer dkk. (2002), MAB menyeimbangkan eksplorasi opsi yang tidak pasti terhadap eksploitasi opsi terbaik yang diketahui saat ini — mengungguli pengujian A/B klasik kapan pun penghentian dini atau alokasi yang sensitif terhadap biaya menjadi penting.