MARC

 008260126s2025        us                              c    eng  d
■001000017359640
■00520260202105151
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798293834754
■035    ▼a(MiAaPQ)AAI32242202
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aWu,  Shuang.
■24510▼aGraph-Informed  Sequential  Decision  Making
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a165  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Amini,  Arash  A.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2025.
■520    ▼aThis  dissertation  studies  graph-informed  sequential  decision  making,  where  graphs  enter  the  bandit  problem  either  as  data-actions,  contexts,  rewards-or  as  structure  that  couples  decisions,  observations  and  agents.  Algorithms  that  leverage  graph  priors  to  accelerate  learning  under  limited  feedback  are  developed  with  comprehensive  theoretical  analysis  in  this  work.Part  I  introduces  the  backgrounds  of  the  models  and  concepts  in  both  statistical  sequential  decision  making  and  machine  learning  on  graphs.  Chapter  1  elucidates  bandit  problems  and  algorithms,  while  Chapter  2  introduces  graph  learning  models,  from  graph  spectral  theory  to  graph  deep  learning.Part  II  presents  the  sequential  decision  making  problems  where  the  graph  serves  as  data  and  our  proposed  algorithm,  GNN-TS.  Chapter  3  introduces  two  online  problems  in  which  each  round  presents  a  graph  and  only  bandit  feedback  is  revealed.  First,  in  online  graph  selection,  actions  are  full  graphs  (e.g.,  molecules,  program  graphs);  the  learner  selects  a  graph  and  observes  a  noisy  payoff.  This  framing  highlights  the  need  for  graph  representations  and  calibrated  exploration  at  decision  time.  Second,  in  online  graph  classification,  each  input  is  a  graph  and  the  learner  must  output  a  multi-class  label  with  only  action-dependent  bandit  feedback,  linking  the  problem  to  multinomial  logistic  bandits  over  graph  encodings.  Chapter  4  presents  the  first  project,  graph  neural  Thompson  Sampling,  which  pairs  graph  neural  encoders  with  Thompson  sampling  as  exploration  rules.  Theoretically,  its  performance  is  characterized  via  an  effective-dimension  parameter  of  a  graph  neural  tangent  kernel,  yielding  sublinear  regret  of  order  O˜(  ˜d  T1/2  ).Part  III  presents  the  sequential  decision  making  problems  where  the  graph  serves  as  structure  and  our  contribution  in  novel  algorithms  and  problem  unification.  Chapter  5  first  introduces  the  problems  that  decisions  are  coupled  by  a  known  graph.  A  Laplacian-regularized  linear  unified  view  that  fuses  content  features  with  structural  smoothness  is  presented  for  this  problem.  The  second  bandit  problem  is  under  the  multi-agent  setting,  with  a  set  of  wide  applications  in  interactive  systems  (recommendation,  advertising,  personalization).  The  second  project  is  detailed  in  Chapter  6.  The  Laplacian  kernelized  bandit  algorithms  are  proposed  by  inducing  a  multi-user  kernel  and  Gaussian  process  style  posterior,  with  confidence  bounds  derived  from  a  bias-noise  decomposition  and  regret  governed  by  an  effective  dimension.  The  proposals  are  applied  into  a  generalized  design  of  the  gang-of-bandits  problem  and  competitive  in  both  preferred  regime  and  the  other  regimes. Part  IV  introduces  the  future  works  and  the  conclusion  on  the  study  about  sequential  decision  making  with  graph  information.  Chapter  7  presents  the  ongoing  works  and  future  investigation  on  this  research  topic.  A  novelty  algorithm,  GCN-Logistic  bandit,  is  proposed  as  the  ongoing  project,  for  online  graph  classification  with  bandit  feedback.  A  foundation  work  on  random  graph  generation  model  in  sequential  decision  making  as  well  as  the  innovation  for  online  recommendation  with  decision  making  on  the  item-user  graph,  are  introduced  as  future  works.
■590    ▼aSchool  code:  0031.
■650  4▼aStatistics
■650  4▼aComputer  engineering
■653    ▼aMachine  learning  with  graphs
■653    ▼aSequential  decision  making
■653    ▼aLaplacian  kernelized  bandit  algorithms
■690    ▼a0463
■690    ▼a0464
■690    ▼a0800
■71020▼aUniversity  of  California,  Los  Angeles▼bStatistics  0891.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359640▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books