Effizientes Clustering bei Stochastischen Banditen: Neuer Algorithmus EBC
In der Forschung zu Bandit-Clustering‑Problemen wurde ein neues Verfahren vorgestellt, das die klassische Aufgabe des Gruppierens von Datensequenzen (Arms) unter festem Konfidenzniveau neu definiert. Ziel ist es, durch sequentielles Ziehen aus adaptiv ausgewählten Arms eine Cluster‑Struktur zu entdecken, während gleichzeitig eine vorgegebene Fehlerwahrscheinlichkeit am Stoppzeitpunkt garantiert wird.
Im Gegensatz zu bisherigen Arbeiten, die ausschließlich auf normalverteilte Arms setzten, berücksichtigt die aktuelle Studie eine weitreichendere Klasse von vektor‑parametrischen Verteilungen, die lediglich milde Regularitätsbedingungen erfüllen. Diese Erweiterung macht das Verfahren für eine breitere Palette realer Anwendungsfälle anwendbar.
Der Kern des Beitrags ist der Efficient Bandit Clustering‑Algorithmus (EBC). Anstatt bei jedem Schritt ein aufwändiges Optimierungsproblem zu lösen, führt EBC einen einzigen Schritt in Richtung der optimalen Lösung durch. Dadurch wird die Rechenzeit pro Probe drastisch reduziert, ohne die asymptotische Optimalität zu verlieren. Zusätzlich wurde eine heuristische Variante (EBC‑H) entwickelt, die die Arm‑Auswahl noch weiter vereinfacht, indem sie auf bereits berechneten Größen aus dem Stoppkriterium zurückgreift.
Durch Vergleich der Laufzeiten pro Probe mit bestehenden Algorithmen wird die erhebliche Effizienz von EBC und EBC‑H deutlich. Simulationen auf synthetischen sowie realen Datensätzen bestätigen die theoretische Optimalität und zeigen, dass beide Varianten die Leistung der bisherigen Ansätze deutlich übertreffen.