多腕バンディットとは

限られた回数の中で、過去にうまくいった選択肢を選ぶことと、未知の選択肢を試すことのバランスを取り、全体の利益を最大化する機械学習の手法。

たとえるなら — いつものお気に入りメニューを頼むか、もっと美味しい料理を求めて新しいメニューを試すか悩むようなものです。