우리는 온라인 주성분 분석(Principal Component Analysis, PCA)의 bandit 피드백 버전을 연구합니다: 각 라운드 $t = 1,\dots,T$에서 적대자(adversary)는 스펙트럼이 $[0,1]$에 속하고 계수(rank)가 최대 $r$인 $d \times d$ 대칭 이득 행렬(gain matrix) $G_t$를 선택합니다. 학습자는 동시에 단위 벡터 $w_t \in S^{d-1}$을 선택하고 보상 $w_t^\top G_t w_t$를 받습니다. 학습자는 다른 피드백을 받지 않으며, 사후적으로(hindsight) 가장 좋은 단위 벡터에 대한 후회(regret)를 최소화하는 것을 목표로 합니다. 이 문제는 Kotlowski와 Neu (2019)가 처음 도입했으며, 그들은 후회가 $O(d\sqrt{rT \log T})$인 알고리즘을 제시하고 하한이 $\Omega(r\sqrt{T/\log T})$임을 보여주었습니다. 우리는 이 두 경계 모두를 개선하여, 본질적으로 그 사이의 격차를 메우고, $d$와 $T$에 대한 다항로그 인자(polylogarithmic factors)를 제외하고는 $r\sqrt{dT}$ 순서의 minimax 후회를 확립합니다. 상한(upper bound)은 (실수) 밀도 행렬(density matrix)의 스펙트리헤드론(spectrahedron)에 대한 온라인 미러 디센트(online mirror descent)와, 서로 다른 스펙트럼 크기를 가진 고유 공간(eigenspaces)을 서로 다른 속도로 업데이트하는 다중 스케일 탐색 방식(multiscale exploration scheme)을 결합한 새로운 알고리즘으로 달성됩니다. 하한(lower bound)의 경우, 학습자의 행동에 기반하여 숨겨진 대규모 보상 부분 공간(large-reward subspace)을 정제하는 적응형 적대자(adaptive adversary)를 구성합니다. 이 방식은 부분 공간을 추정하지 않고서는 낮은 후회를 달성하는 것이 불가능하도록 만듭니다. 그 결과, 후하한(lower-bounding the regret)은 발생하는 부분 공간 추정 문제(subspace estimation problem)를 연구하는 것으로 축소됩니다. 마지막으로, 우리는 Bandit PCA와 적응형 측정 양자 단층 촬영(adaptive-measurement quantum tomography) 간의 연결 고리에 대해 논의합니다.