Об оптимальном априорном времени обучения в задаче о “двуруком бандите”

Для задачи о “двуруком бандите”, рассматриваемой на конечном известном отрезке времени $T$, предложена стратегия с априори определяемым временем обучения. На основе уравнения баланса потерь устанавливается его точная асимптотическая оценка, порядок которой равен $T^{2/3}$ . Для близких распределений оценка меняется: для бернуллиевского “двурукого бандита” в этом случае время обучения приблизительно равно $T/3$.