En apprentissage par renforcement, un agent cherche à identifier l'action optimale parmi plusieurs actions disponibles par un processus d'essai-erreur. Dans un contexte en-ligne, on fait l'hypothèse qu'une erreur engendre une conséquence (négative). L'agent doit donc effectuer un compromis dans sa sélection d'actions à essayer, soit choisir d'accroître sa connaissance du problème en essayant des actions incertaines où se concentrer sur des actions mieux connues, mais pas nécessairement optimales.

La présentation portera sur l'utilisation du Thompson Sampling, approche classique en apprentissage par renforcement en-ligne, dans un contexte où le feedback (l'erreur) comporte plusieurs composantes (objectifs) évoluant en contradiction. L'agent ne cherchera donc plus à identifier une seule action optimale, mais plutôt un ensemble d'actions optimales représentant les divers compromis entre les divers objectifs à atteindre.