> ## Documentation Index
> Fetch the complete documentation index at: https://meta.niceshare.site/llms.txt
> Use this file to discover all available pages before exploring further.
# 多臂老虎機
> 多臂老虎機是一個必須在探索選項與利用已知回報之間取得平衡的決策問題。學習這個框架如何在不確定性下優化選擇。
**分類**：模型
**類型**：決策模型
**起源**：機率論，1930年代至今
**別名**：MAB、老虎機問題、多臂老虎機問題
**快速回答** —
多臂老虎機是一個經典的決策問題，你面對一行具有未知支付率的老虎機（臂）。你必須決定是探索新機器以了解它們的支付率，還是利用你已經知道支付良好的機器。這個在探索與利用之間的根本張力出現在從臨床試驗到網站優化的各個領域。
## 什麼是多臂老虎機？
多臂老虎機是一個在不確定性下進行決策的數學框架。想像你走進一家賭場，有幾台不同的老虎機，每台都有不同的未知支付概率。你硬幣數量有限，必須決定：是繼續玩目前為止表現良好的機器，還是嘗試其他希望能找到更好的？這個眾所周知的困境——被稱為探索-利用權衡——是多臂老虎機問題的核心。
> 「多臂老虎機問題將學習什麼有效與做什麼有效之間的根本張力具體化了。」
這個問題的名稱來自於「獨臂強盜」，這是美國賭場中老虎機的俚語。「多臂」版本代表面對多個選項的決策者，每個選項都有未知的回報概率。挑戰是在學習選項的同時最大化總回報時間。這個看似簡單的問題實際上涉及深刻的機率推理，並且在現代應用中有廣泛的影響。
### 多臂老虎機的三個層次
* **初學者**：在日常選擇中認識探索-利用權衡——嘗試新餐廳（探索）與回到你最喜歡的餐廳（利用）。
* **實踐者**：應用簡單的老虎機演算法如 epsilon-greedy 或 UCB 來分配網站版本之間的流量，在學習和效能之間取得平衡。
* **進階使用者**：針對複雜的現實問題實施情境老虎機或湯普森抽樣，其中臂的表現取決於情境特徵。
## 起源
多臂老虎機問題首先在臨床試驗的背景下進行正式研究。在1930年代，統計學家威廉·湯普森提出了「湯普森抽樣」方法，用於在醫學實驗中平衡新治療方法與已知有效的方法。這個問題在1950年代通過赫伯特·羅賓斯的工作獲得了正式的數學處理，他制定了「老虎機」框架並開發了基礎演算法。
這個名稱本身來自於賭場老虎機的類比——美國俚語中的「獨臂強盜」。研究人員使用這個生動的比喻來描述在多個具有未知回報概率的「臂」之間分配拉動的數學問題。這個領域在1980年代和1990年代隨著電腦網路和排程的應用而顯著擴展，並在2000年代隨著網路時代的問題如 A/B 測試優化和推薦系統而爆發。
## 核心要點
嘗試不同的臂以了解它們的回報概率。沒有探索，你可能會錯過你尚未嘗試的更好選項。探索是有代價的，因為它意味著在次優選擇上花費時間/精力。
根據你學到的東西，選擇表現最好的臂。利用最大化短期回報，但可能錯過更好的長期機會。
每拉動一個未探索的臂，都是以放棄已知臂的確定回報為代價。每拉動一個已知臂，都是以放棄潛在發現為代價。沒有完美的解決方案——只有較好或較差的平衡。
Epsilon-greedy、 Upper Confidence
Bound（UCB）和湯普森抽樣是三種主要方法。每種代表了一種關於探索與利用程度的不同哲學。
## 應用場景
公司使用多臂老虎機演算法自動分配網站版本之間的流量，比傳統固定 A/B
測試學習更快，同時保持效能。
自適應臨床試驗使用老虎機方法將更多患者分配給顯示希望的治療方法，在學習與患者福利之間取得平衡。
串流服務和電子商務平台應用老虎機來平衡向用戶展示熟悉的內容（利用）與新穎的推薦（探索）。
投資者使用受老虎機啟發的方法在具有未知回報的資產之間分配資本，在熟悉的投資與新機會之間取得平衡。
## 經典案例
### Spotify 的多臂老虎機用於音樂發現
Spotify，這家音樂串流巨頭，面臨著一個經典的探索-利用挑戰：他們應該推薦用戶喜歡的熟悉歌曲多少 versus 可能成為最愛的新歌曲有多少？在他們的實驗平台上，Spotify 部署了多臂老虎機演算法來優化这个平衡。
問題：傳統的 A/B 測試會將用戶分成固定組，持續數週，可能在測試期間向許多用戶展示次優內容。相反，Spotify 的老虎機方法可以即時適應。隨著演算法了解哪些用戶對發現 versus 熟悉反應良好，它自動調整推薦。
結果，發表在 Spotify 的工程部落格上，顯示了顯著的改進：老虎機方法與固定 A/B 測試相比，將「遺憾」（最佳表現與實際表現之間的差異）減少了約 20-30%。更重要的是，演算法可以在幾天內而不是幾週內檢測到獲勝策略，大大加快了迭代速度。這個教訓：當探索成本很高或環境頻繁變化時，老虎機方法優於傳統測試方法。
## 邊界與失效場景
多臂老虎機框架有重要的限制：
1. **穩態假設**：經典老虎機假設回報概率隨時間不變。實際上，用戶偏好、市場條件和競爭格局都在演變，需要「不穩定老虎機」變體。
2. **情境重要**：標準老虎機對所有用戶同等對待每個臂。實際上，「最好的」臂取決於情境（用戶是誰？現在是什麼時間？）。情境老虎機解決了這個問題，但增加了複雜性。
3. **回饋延遲**：在許多現實應用中，你無法立即知道一個決定是好是壞。臨床試驗、投資決策和行銷活動都受到延遲且有雜訊的回饋所苦。
4. **探索可能代價高昂**：當探索的代價很高時（侵入性治療、大型財務承諾），探索-利用權衡變得更加尖銳。
## 常見誤區
老虎機在持續優化和變化條件下表現出色，但 A/B
測試仍然對於明確答案很有價值。老虎機更適合持續優化；A/B
測試更適合結論性實驗。
探索有成本。如果你已經有強有力的證據表明一個選項優於其他，持續探索就是浪費。「正確」的數量取決於你有多少需要學習，以及你將應用這些知識多久。
老虎機提供了一種管理不確定性的結構化方法，但它們並沒有消除它。你仍然需要良好的指標、足夠的樣本大小和仔細解讀結果。
## 相關概念
在學習（探索）和利用知識（利用）之間的根本張力，這是所有序列決策問題的基礎。
一種多臂老虎機的貝葉斯方法，使用機率分佈來平衡探索與利用。
一個受控實驗，比較兩個或多個變體，以確定哪個在定義的指標上表現更好。
一個更廣泛的領域，透過在具有獎勵和懲罰的環境中試錯來學習最佳行為。
一個用於評估老虎機演算法的框架，基於與總是選擇最佳臂相比損失了多少表現。
一種流行的老虎機演算法，利用基於不確定臂的樂觀獎勵來平衡利用。
## 一句話總結
當面對具有有限資源的未知選項時，使用老虎機方法：充分探索以了解什麼有效，然後利用這些知識——但總是留有空間發現更好的替代方案。