Multi-Armed Bandit (UCB, Thompson Sampling)
Multi-armed bandit (MAB) เป็นกรอบการทดลองแบบปรับตัวที่จัดสรรการทดลองตามลำดับไปยังแขนที่แข่งขันกันเพื่อลดการสูญเสียสะสม (cumulative regret) ในขณะเดียวกันก็เรียนรู้ว่าแขนใดทำงานได้ดีที่สุด MAB ถูกกำหนดรูปแบบโดย Robbins ในปี 1952 และมีการรับประกันเวลาจำกัดโดย Auer และคณะ (2002) โดยจะสร้างสมดุลระหว่างการสำรวจทางเลือกที่ไม่แน่นอนกับการใช้ประโยชน์จากทางเลือกที่ดีที่สุดที่ทราบในปัจจุบัน ซึ่งมีประสิทธิภาพเหนือกว่าการทดสอบ A/B แบบดั้งเดิมเมื่อการหยุดก่อนกำหนดหรือการจัดสรรที่คำนึงถึงต้นทุนมีความสำคัญ
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Auer, P., Cesa-Bianchi, N., & Fischer, P. (2002). Finite-Time Analysis of the Multiarmed Bandit Problem. Machine Learning, 47(2–3), 235–256. DOI: 10.1023/A:1013689704352 ↗
- Russo, D., Van Roy, B., Kazerouni, A., Osband, I., & Wen, Z. (2018). A Tutorial on Thompson Sampling. Foundations and Trends in Machine Learning, 11(1), 1–96. DOI: 10.1561/2200000070 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 1). Multi-Armed Bandit (UCB, Thompson Sampling). ScholarGate. https://scholargate.app/th/experimental-design/multiarm-bandit
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- การทดสอบ A/B (การทดลองควบคุมออนไลน์)การออกแบบการทดลอง↔ compare
- การออกแบบการทดลองทางคลินิกแบบปรับเปลี่ยนได้การออกแบบการทดลอง↔ compare
- การทดลองสุ่มและมีกลุ่มควบคุม (Randomized Controlled Trial - RCT)การออกแบบการทดลอง↔ compare
- การออกแบบการทดลองแบบลำดับ / แบบลำดับกลุ่มการออกแบบการทดลอง↔ compare