arXiv cs.AI· Bahar Dibaei Nia, Farzan Farnia·· 6 天前AI 评分22
Mixture-Greedy 用于在线生成模型选择：多样性感知多臂老虎机中 UCB 是否必要？
Mixture-Greedy for Online Generative Model Selection: Is UCB Necessary in Diversity-Aware Multi-Armed Bandits?
AI 导读
研究发现，在多样性感知的生成模型选择任务中，去掉 UCB 探索项的 Mixture-Greedy 策略收敛更快、样本效率更高，在 FID 和 Vendi 等指标上表现更优。理论分析表明，多样性目标会通过偏好内部混合隐式地探索所有臂，从而带来次线性遗憾保证。该成果已被 UAI 2026 接收。
正文 · AI 翻译
摘要：在现代生成式 AI 中，从多个生成模型中进行高效选择日益重要，因为从不理想的模型采样代价高昂。该问题可视为一个多臂老虎机（MAB）任务。在多样性感知的评估分数下，生成器的非退化混合可以优于任何单个模型，这使该 MAB 设定区别于经典的最佳臂识别。先前的方法将上置信界（UCB）探索奖励纳入混合目标。然而，在多个数据集和评估指标上，我们观察到 UCB 项始终会减慢收敛并降低样本效率。相比之下，一种不带显式 UCB 型乐观主义的简单 Mixture-Greedy 策略收敛更快，甚至取得更好的性能，尤其是在 FID 和 Vendi 等难以构造紧致置信界的常用指标上。我们提供了理论洞见来解释这一行为：在结构性条件下，多样性感知目标通过偏好内部混合来诱导隐式探索，从而导致对所有臂的采样，并为基于多样性的目标提供次线性遗憾保证。这些结果表明，在多样性感知的多臂老虎机中（例如用于生成模型选择），探索可以内在地源于目标的几何结构。
| Comments: | 已被 UAI 2026 会议接收并发表 |
| Subjects: | 机器学习（cs.LG）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| Cite as: | arXiv:2603.21716 [cs.LG] |
| （或 arXiv:2603.21716v3 [cs.LG] 对应此版本） | |
| https://doi.org/10.48550/arXiv.2603.21716 arXiv 颁发的 DOI，经由 DataCite |
Submission history
来自：Bahar Dibaei Nia [查看邮箱]
[v1]
2026年3月23日星期一 08:59:45 UTC（18,773 KB）
[v2]
2026年8月30日星期日 11:54:46 UTC（23,226 KB）
[v3]
2026年10月8日星期四 18:47:25 UTC（23,204 KB）
来源：arXiv cs.AI · arxiv.org