報酬抑制を超えて：有界報酬ウォームスタートバンディットに対する準最適オフライン攻撃

- 本研究は、warm-start banditsに対するbounded offline attackを扱う。 - 攻撃者はdeployment前にwarm-start historyへ有効なaction-reward pairのみを注入できる。 - 目的はlearnerをtarget armに誤誘導しつつ攻撃コストを小さくすること。 - 既存研究が非target armの抑制に頼るのに対し、target itemの直接的なpromotionに着目。 - UCBやThompson Sampling、ε-greedyなど幅広いbanditアルゴリズムを対象とする。

- 既存の攻撃は主に非target armのrewardを抑制する手法だった。 - 本研究はtarget promotionが単なるheuristicでないことを理論的に示す。 - target armがlower reward boundary付近にある場合、UCBに対するorder-optimal-cost攻撃はtarget armに非消滅的なコスト配分を必要とする。 - 最適なsublinear costを達成する攻撃を設計し、target promotionと非target suppressionの配分を特徴づける。 - 従来の抑制中心の攻撃より現実的なfake reviewsなどの操作を捉える。

- warm-start historyに有効なaction-reward pairを注入するoffline attackを定式化。 - UCBに対して、target armがほぼ全てのonline roundで選択されるようにする攻撃を設計。 - 攻撃コストをsublinearに抑えつつ、target promotionと非target suppressionの最適配分を導出。 - Thompson Samplingやε-greedy、より広いクラスのbanditアルゴリズムへ拡張。 - 理論解析により、target armがlower reward boundary付近にある場合のコスト配分の必要性を証明。

- 実世界データと合成データを用いた実験で攻撃の有効性を検証。 - 実験により、提案攻撃がtarget armをほぼ全てのonline roundで選択させることを確認。 - 攻撃コストがsublinearであること、およびtarget promotionと非target suppressionの配分が理論通りであることを実証。 - 複数のbanditアルゴリズム（UCB, Thompson Sampling, ε-greedy）に対する有効性を確認。

- target promotionが理論的に必要となる条件（target armがlower reward boundary付近）を明示。 - 攻撃コストの最適性と配分の特徴づけを議論。 - より広いクラスのbanditアルゴリズムへの拡張可能性を議論。 - 実世界への応用（fake reviewsなど）との関連を議論。 - 限界や今後の課題については要旨からは不明。

- UCB, Thompson Sampling, ε-greedyに関する元論文。 - warm-start banditsの研究。 - offline attacks on banditsの先行研究。 - adversarial attacks on banditsの関連手法。 - 要旨で参照/比較されている具体的な研究は明記されていないため、同分野の定番を挙げる。