零和博弈学习中的 Thompson 采样研究

该研究探讨了具有高斯 bandit 反馈的未知有限双人零和矩阵博弈中的 Thompson 采样（TS）。在中心化自我对弈下，对于具有唯一样本纳什均衡的任意固定零和博弈，其期望累积对偶间隙达到 $O(\sqrt T)$，在纯策略均衡下更可提升至 $O(\log T)$。研究还给出了匹配的极小化极大下界与特定实例对数下界，实验验证了理论预测的收敛速率。