bandit op miza on with large strategy sets
play

Bandit op*miza*on with large strategy sets Alexandre - PowerPoint PPT Presentation

Bandit op*miza*on with large strategy sets Alexandre Prou*ere Joint work with Richard Combes Alexandre Prou-re Docent lecture October 11, 2013


  1. Bandit ¡op*miza*on ¡with ¡large ¡ strategy ¡sets ¡ ¡ Alexandre ¡Prou*ere ¡ ¡ Joint ¡work ¡with ¡ Richard ¡Combes ¡ ¡ Alexandre ¡Prou-ère ¡ ¡ Docent ¡lecture ¡ October ¡11, ¡2013 ¡ 1 ¡

  2. Outline ¡ 1. Mo-va-on ¡ 2. Bandit ¡op-miza-on: ¡background ¡ 3. Graphically ¡unimodal ¡bandits ¡ 4. Applica-ons ¡ 2 ¡

  3. 1. ¡Mo-va-on ¡ 3 ¡

  4. Rate ¡adapta-on ¡in ¡802.11 ¡ Adap-ng ¡the ¡modula-on/coding ¡scheme ¡to ¡the ¡radio ¡environment ¡ ¡ -­‑ 802.11 ¡a/b/g ¡ Yes/No ¡ rates ¡ r 1 r 2 . . . r N Success ¡probabili-es ¡ θ 1 θ 2 θ N . . . Throughputs ¡ µ i = r i θ i µ 1 µ 2 . . . µ N 9 ¡ 12 ¡ 18 ¡ 24 ¡ 36 ¡ 48 ¡ 54 ¡ ¡ ¡ ¡(Mbit/s) ¡ 6 ¡ -­‑ Op-mal ¡sequen-al ¡rate ¡selec-on? ¡ 4 ¡

  5. Rate ¡adapta-on ¡in ¡802.11 ¡ -­‑ 802.11 ¡n/ac ¡MIMO ¡ ¡Rate ¡+ ¡MIMO ¡mode ¡ ¡ ¡ ¡ ¡ ¡ -­‑ Example: ¡two ¡modes, ¡single-­‑stream ¡(SS) ¡or ¡double-­‑stream ¡(DS) ¡ 27 ¡ 54 ¡ 81 ¡ 108 ¡ 162 ¡ 270 ¡ DS ¡ 216 ¡ 243 ¡ SS ¡ ¡ 27 ¡ 40.5 ¡ 54 ¡ 108 ¡ 135 ¡ 13.5 ¡ 81 ¡ 121.5 ¡ 5 ¡

  6. CTR ¡es-ma-on ¡in ¡Ad ¡Auc-ons ¡ -­‑ Current ¡prac-ce: ¡ ¡ ü Bayesian ¡es-mator ¡(graphical ¡models ¡+ ¡EP) ¡ ü Minimize ¡the ¡mean ¡square ¡error ¡on ¡CTRs ¡ ü Underlying ¡assump-on: ¡a ¡sta-c ¡system ¡ -­‑ A ¡dynamic ¡system ¡(changing ¡ads, ¡changing ¡CTRs, ¡…) ¡ -­‑ … ¡but ¡most ¡importantly ¡our ¡goal ¡is ¡to ¡maximize ¡profit ¡ not ¡minimize ¡CTR ¡es-ma-on ¡error! ¡ ¡ ¡

  7. CTR ¡bandits ¡ -­‑ CTR ¡matrix: ¡ Queries ¡(n ¡> ¡10 9 ) ¡ j ¡ Ads ¡(m ¡> ¡10 6 ) ¡ i ¡ µ ij T -­‑ Profit ¡acer ¡ T ¡queries: ¡ X profit( T ) = b i ( t ) j ( t ) X i ( t ) j ( t ) t =1 X ij ∼ Ber( µ ij )

  8. Online ¡decision ¡problem ¡ Queries ¡(> ¡10 9 ) ¡ Click ¡ j ¡ 1 ¡ 0 ¡ Ads ¡(> ¡10 6 ) ¡ 1 ¡ 1 ¡ No ¡click ¡ 0 ¡ 1 ¡ 1 ¡ 0 ¡ 0 ¡

  9. Online ¡decision ¡problem ¡ Queries ¡(> ¡10 9 ) ¡ j ¡ 1 ¡ 0 ¡ Ads ¡(> ¡10 6 ) ¡ 1 ¡ 1 ¡ 0 ¡ 1 ¡ 1 ¡ 0 ¡ 0 ¡

  10. Online ¡decision ¡problem ¡ Queries ¡(> ¡10 9 ) ¡ 1 ¡ 0 ¡ Ads ¡(> ¡10 6 ) ¡ 1 ¡ 1 ¡ 0 ¡ 1 ¡ 1 ¡ 0 ¡ 0 ¡ 0 ¡

  11. 2. ¡Bandit ¡op-miza-on ¡ 11 ¡

  12. Bandit ¡op-miza-on ¡ A ¡sequen-al ¡decision ¡problem ¡( Thompson ¡1933) ¡ 1 ¡ ¡ ¡ ¡ ¡ ¡2 ¡ ¡ ¡ ¡ ¡ ¡3 ¡ ¡ ¡ ¡ ¡ ¡4 ¡ ¡ ¡ ¡ ¡ ¡5 ¡ ¡ ¡….. ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡pa-ents ¡ D ¡ ¡ ¡ ¡ ¡D ¡ ¡ ¡ ¡ ¡ ¡D ¡ ¡ ¡ ¡ ¡ ¡L ¡ ¡ ¡ ¡ ¡ ¡D ¡ ¡ ¡….. ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ D ¡ ¡ ¡ ¡ ¡L ¡ ¡ ¡ ¡ ¡ ¡ ¡L ¡ ¡ ¡ ¡ ¡ ¡ ¡L ¡ ¡ ¡ ¡ ¡ ¡D ¡ ¡ ¡….. ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ – A ¡set ¡of ¡possible ¡ac-ons ¡at ¡each ¡step ¡ – Unknown ¡sequence ¡of ¡rewards ¡for ¡each ¡ac-on ¡ 12 ¡

  13. Bandit ¡op-miza-on ¡ A ¡sequen-al ¡decision ¡problem ¡( Thompson ¡1933) ¡ 1 ¡ ¡ ¡ ¡ ¡ ¡2 ¡ ¡ ¡ ¡ ¡ ¡3 ¡ ¡ ¡ ¡ ¡ ¡4 ¡ ¡ ¡ ¡ ¡ ¡5 ¡ ¡ ¡….. ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡pa-ents ¡ D ¡ ¡ ¡ ¡ ¡D ¡ ¡ ¡ ¡ ¡ ¡D ¡ ¡ ¡ ¡ ¡ ¡L ¡ ¡ ¡ ¡ ¡ ¡D ¡ ¡ ¡….. ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ D ¡ ¡ ¡ ¡ ¡L ¡ ¡ ¡ ¡ ¡ ¡ ¡L ¡ ¡ ¡ ¡ ¡ ¡ ¡L ¡ ¡ ¡ ¡ ¡ ¡D ¡ ¡ ¡….. ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ – A ¡set ¡of ¡possible ¡ac-ons ¡at ¡each ¡step ¡ – Unknown ¡sequence ¡of ¡rewards ¡for ¡each ¡ac-on ¡ – Bandit ¡feedback: ¡only ¡rewards ¡of ¡chosen ¡ac-ons ¡are ¡observed ¡ 13 ¡

  14. Bandit ¡op-miza-on ¡ A ¡sequen-al ¡decision ¡problem ¡( Thompson ¡1933) ¡ 1 ¡ ¡ ¡ ¡ ¡ ¡2 ¡ ¡ ¡ ¡ ¡ ¡3 ¡ ¡ ¡ ¡ ¡ ¡4 ¡ ¡ ¡ ¡ ¡ ¡5 ¡ ¡ ¡….. ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡pa-ents ¡ D ¡ ¡ ¡ ¡ ¡D ¡ ¡ ¡ ¡ ¡ ¡D ¡ ¡ ¡ ¡ ¡ ¡L ¡ ¡ ¡ ¡ ¡ ¡D ¡ ¡ ¡….. ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ D ¡ ¡ ¡ ¡ ¡L ¡ ¡ ¡ ¡ ¡ ¡ ¡L ¡ ¡ ¡ ¡ ¡ ¡ ¡L ¡ ¡ ¡ ¡ ¡ ¡D ¡ ¡ ¡….. ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ – A ¡set ¡of ¡possible ¡ac-ons ¡at ¡each ¡step ¡ – Unknown ¡sequence ¡of ¡rewards ¡for ¡each ¡ac-on ¡ – Bandit ¡feedback: ¡only ¡rewards ¡of ¡chosen ¡ac-ons ¡are ¡observed ¡ – Goal: ¡maximize ¡the ¡cumula-ve ¡reward ¡(up ¡to ¡step ¡T), ¡i.e., ¡strike ¡the ¡ op-mal ¡explora-on-­‑exploita-on ¡trade-­‑off ¡ 14 ¡

  15. Regret ¡ instantaneous ¡ reward ¡ unknown ¡best ¡ac-on ¡ your ¡algorithm ¡ -me ¡ 15 ¡

  16. Regret ¡ instantaneous ¡ regret ¡ reward ¡ unknown ¡best ¡ac-on ¡ your ¡algorithm ¡ -me ¡ Objec-ve: ¡to ¡iden-fy ¡the ¡best ¡ac-on ¡with ¡minimum ¡explora-on, ¡ i.e., ¡to ¡minimize ¡regret ¡(to ¡maximize ¡the ¡“convergence ¡rate”) ¡ ¡ Par-cularly ¡relevant ¡when ¡the ¡best ¡ac-on ¡evolves ¡– ¡for ¡tracking ¡ problems ¡ 16 ¡

  17. Stochas-c ¡Bandits ¡ Robbins ¡1952 ¡ -­‑ K ¡arms ¡/ ¡decisions ¡/ ¡ac-ons ¡ µ ? = max -­‑ Unknown ¡i.i.d. ¡rewards: ¡ X i,t ∼ Ber( µ i ) , µ i = µ i ? i -­‑ Lack ¡of ¡structure: ¡ µ i ∈ [0 , 1] , ∀ i ∈ { 1 , . . . , K } -­‑ Under ¡online ¡algorithm ¡ ¡ ¡ ¡, ¡arm ¡selected ¡at ¡-me ¡ ¡ ¡: ¡ t π ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡func-on ¡of ¡history ¡ ¡ ¡ ¡ I π ( I π t − 1 ,t − 1 ) 1 , 1 , . . . , I π 1 , X I π t − 1 , X I π t -­‑ Regret ¡up ¡to ¡-me ¡ ¡ ¡ ¡: ¡ T T T X X R π ( T ) = max i =1 ,...,K E X i,t − E X I π t ,t ¡ t =1 t =1 17 ¡

  18. Stochas-c ¡Bandits ¡ ¡ -­‑ Asympto-c ¡regret ¡lower ¡bound ¡(no ¡algorithm ¡can ¡beat ¡this ¡ performance) ¡ -­‑ Uniformly ¡good ¡algorithm: ¡ E [ t i ( T )] = o ( T ↵ ) , 8 α > 0 , 8 µ, 8 i 6 = i ? ¡ Theorem ¡(Lai-­‑Robbins ¡1985) ¡For ¡any ¡uniformly ¡good ¡policy ¡ ¡ π µ ? − µ i R ⇡ ( T ) X lim inf log( T ) ≥ KL( µ i , µ ? ) T !1 i 6 = i ? q ) + (1 − p ) log(1 − p KL ( p, q ) = p log( p KL ¡divergence ¡number: ¡ 1 − q ) ¡ 1 Regret ¡linear ¡in ¡the ¡number ¡of ¡arms, ¡and ¡propor-onal ¡to ¡ ¡ ( µ ? − µ i ) 18 ¡

  19. The ¡change-­‑of-­‑measure ¡argument ¡ µ i arms ¡ 2 ¡ 3 ¡ 4 ¡ 1 ¡ 5 ¡ i i ? k To ¡iden-fy ¡the ¡minimum ¡number ¡of ¡-mes ¡sub-­‑op-mal ¡arm ¡ ¡ ¡ ¡ ¡ k must ¡be ¡played, ¡find ¡the ¡most ¡confusing ¡parameters ¡ 19 ¡

Recommend


More recommend