多腕バンディット（UCB、トンプソンサンプリング）

多腕バンディット（MAB）は、累積後悔を最小化しつつ、どの腕が最も良いかを学習するために、競合する腕に試行を逐次的に割り当てる適応的実験フレームワークである。1952年にRobbinsによって形式化され、2002年にAuerらによって有限時間保証が与えられたこの手法は、不確実な選択肢の探索と、現在知られている最良の選択肢の活用との間でバランスを取り、早期停止やコストに敏感な割り当てが重要な場合には古典的なA/Bテストを凌駕する。