Effiziente Verarbeitung und Analyse von Inhalten für Erkenntnisse mithilfe von Feel-Good Thompson Sampling für kontextuelle Duell-Banditen

Der Kern der Arbeit ist die Entwicklung eines neuen Feel-Good Thompson Sampling Algorithmus (FGTS.CDB) für das Problem der linearen kontextuellen Duell-Banditen. Der Algorithmus erreicht eine nahezu minimax-optimale Regret-Schranke und übertrifft bestehende Algorithmen deutlich in empirischen Experimenten.