Останнім часом все більше уваги приділяється онлайновому навчанню машин з відкладеним зворотнім зв'язком. Навчання з затримками є доцільнішим у більшості практичних застосувань, оскільки зворотній зв'язок від навколишнього середовища не є миттєвим. Наприклад, в клінічних випробуваннях, результати яких використано в даній роботі, прояв реакції на ліки може зайняти деякий час. У даній роботі розглядається проблема стаціонарного стохастичного багаторукого бандита в середовищі з затримками, де кожна дія задається розподілом Бернуллі, параметри якого не відомі заздалегідь. Головною метою моделі у представленому середовищі є максимізація сукупної винагороди на скінченному горизонті, що еквівалентно мінімізації сукупних втрат. Розглянуто стратегію Explore-First для даного випадку, яка визначається кількістю разів кожної дії, що буде обрана для дослiдження. Наведено асимптотичний аналіз ефективності алгоритму і вивчено вплив затримок у середовищі. Одержані теоретичні результати використовуються для розробки програмного забезпечення для проведення числових експериментів.

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"