图神经臂带

本文介绍了一种新的上下文强化学习算法NeuralBandit，它不需要对上下文和奖励的稳定性做出假设。该算法使用多个神经网络来建模上下文的价值，并提出了两种基于多专家方法的变体来选择多层感知器的参数。该算法在大型数据集上进行了测试，包括奖励稳定和不稳定的情况，并取得了成功的效果。