Multi-Armed Bandit (UCB, Thompson Sampling)

Multi-armed bandit (MAB) är ett adaptivt experimentellt ramverk som sekventiellt allokerar försök över konkurrerande "armar" för att minimera kumulativ "regret" (förlust) samtidigt som det lär sig vilken arm som presterar bäst. Formaliserat av Robbins 1952 och med ändliga tidsgarantier av Auer et al. (2002), balanserar det utforskning av osäkra alternativ mot exploatering av för närvarande kända bästa alternativ – vilket överträffar klassisk A/B-testning när tidig stoppning eller kostnadskänslig allokering är viktig.