다 무장 한 산적이 온라인에서 볼 수있는 광고 및 이야기를 결정하는 방법

당신이 도박꾼이고 여러 슬롯 머신 앞에 서 있다고 상상해보십시오. 귀하의 목표는 상금을 최대화하는 것이지만, 각 기계가 제공하는 잠재적 보상에 대해서는 실제로 알지 못합니다. 그러나 당신은 당기는 레버와 당신이하는 빈도가 도박 진탕 결과에 영향을 미친다는 것을 이해합니다.

라스 베이거스와 애틀랜틱 시티 (매일 사람들이 애틀랜틱 시티에 간다) 방문객들이 매일 직면하는이 시나리오는 고전적인 논리 퍼즐 인 "멀티 무장 한 산적"입니다. 슬롯 머신은 "One-Armed 리노 (Reno) 타입을 노화시킴으로써 "산적 (Bandits)"을 피할 수 있습니다. 가장 근접한 후보는 기팅 스 인덱스 (Gittins Index) 다 - 무장 한 산적 한 상황을 해결할 올바른 방법은 없지만 온라인으로 갈 때마다 매일 등록하지 않고도 이러한 문제를 해결할 수있는 전략적 접근법이 있습니다. 콘텐츠가 Google 및 웹 사이트를 통해 떠오르는 방식을 관리하는 많은 알고리즘은 MAB 전략을 기반으로합니다. 거의 모든 경우의 목표는 학습과 결과를 연결하고 둘 다위한 잠재력을 극대화하는 것입니다.

다중 무장 적기 접근법은 워싱턴 포스트 클릭 할 가능성이 가장 높은 사진과 헤드 라인을 파악하고 무선 네트워크를 통해 최적의 에너지 보존 경로가 가장 적합한 지 파악합니다. MBA 접근법에서 성장하는 알고리즘은 기본적으로 언제 그리고 어떤 광고가 온라인에 게재 될지를 결정하기 때문에이 회사와 다른 많은 사람들에게 매우 중요합니다.

사람들을 보여주는 광고를 파악하는 것은 어려운 일입니다. 온라인에서 물건을 클릭하는 일에 너무 많은 일방적 인 도둑이 있기 때문입니다. 광고용 MAB 알고리즘은 일반적으로 유한 한 기간에 걸쳐 적용되는 빠르게 변화하는 "필사적 다중 무장 침입 문제"를 사용합니다. 트래픽 데이터는 점점 더 효과적인 방법론을 개발하는 데 사용됩니다.

수식의 변형을 다양하게 만들 수 있기 때문에 정확한 목적을 위해 MAB를 붙여 넣기가 어렵습니다. 예를 들어, K- 무장 한 도적에는 예상되는 가장 높은 보상을 얻기 위해 경쟁하는 "무기"가 있습니다. Contextualize 도둑은 사용자가 이전에 수집 한 데이터와 "전문가의 조언"을 사용하여 동일하지만 사전 준비된 라운드 일정에서만 작동하는 웹 준비가 된 "ILOVETOCONBANDITS"로 작동합니다. 대조적으로, 고전적인 MAB 접근법은 가능한 부가 정보가 없으며 결과는 선택된 행동의 잠재력에만 의존합니다.

지금까지 MAB에 가장 유용한 응용 프로그램이 인터넷과 관련이있는 것으로 나타나지만 연구자들은이를 실제 생활 (일명 육류 공간) 시나리오에 적용하는 방법을 찾기 위해 노력하고 있습니다. 브리티시 컬럼비아 대학교 (University of British Columbia)의 연구자들은 2015 년 논문에서 MAB를 의학 시험에 적용하는 것을 고려하고 있습니다. 목표는 MAB 알고리즘이 특정 약물의 효과를 측정 할 수 있다는 것입니다. 분명한 문제는 컴퓨터 변조 버전을 만들 수 없다면이 방법을 사용하는 것은 너무 많은 시간이 소요된다는 것입니다. 임상 시험 중에 MAB 디자인을 배치 할 수있는 방법은 없습니다.

아이디어는 훌륭하지만 지금은 실현 가능하지 않습니다. 미래가 올 때까지는 팝업 광고를 절실히 클릭하려고 할 때 멀티 액티브 산적의 존재가 거의 느껴질 것입니다.