<a href="/ja/%E3%83%90%E3%83%B3%E3%83%87%E3%82%A3%E3%83%83%E3%83%88%E5%95%8F%E9%A1%8C%E3%81%AE%E7%90%86%E8%AB%96%E3%81%A8%E3%82%A2%E3%83%AB%E3%82%B4%E3%83%AA%E3%82%BA%E3%83%A0">バンディット問題の理論とアルゴリズム</a> p.38 <a href="/ja/%E3%83%88%E3%83%B3%E3%83%97%E3%82%BD%E3%83%B3%E6%8A%BD%E5%87%BA">トンプソン抽出</a>
<ul>
<li>期待値を<a href="/ja/%E3%83%99%E3%82%A4%E3%82%BA%E6%8E%A8%E5%AE%9A">ベイズ推定</a>する</li>
<li>各行動の期待値最大である確率でその行動を選ぶ(<a href="/ja/%E7%A2%BA%E7%8E%87%E4%B8%80%E8%87%B4%E6%B3%95">確率一致法</a>)</li>
<li>ただし、この「期待値最大である確率」の計算をやる代わりに<a href="/ja/%E4%B9%B1%E6%8A%9E%E3%82%A2%E3%83%AB%E3%82%B4%E3%83%AA%E3%82%BA%E3%83%A0">乱択アルゴリズム</a>を使う</li>
<li>ベイズなので期待値の分布が得られている。この分布からサンプリングをする</li>
<li>サンプリングした結果、値が最大であった行動を選ぶ</li>
<li>これで「期待値最大である確率でその行動を選ぶ」が実現される</li>
</ul>
<a href="https://hagino3000.blogspot.com/2015/07/thompson-sampling.html">https://hagino3000.blogspot.com/2015/07/thompson-sampling.html</a>
<a href="https://hagino3000.blogspot.com/2016/12/linear-bandit.html">https://hagino3000.blogspot.com/2016/12/linear-bandit.html</a>
#強化学習

トンプソンサンプリング