English(EN) An Efficient Black-Box Reduction from Online Learning to Multicalibration, and a New Route to $\Phi$-Regret Minimization

新研究简化了在线学习到多校准的归约

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-05 04:00

研究人员开发了一种从在线学习到在线多校准的新黑盒归约方法，该方法简化了高维多校准的实现。该方法将任何无遗憾学习器与期望变分不等式求解器相结合，为多校准提供了一种更通用的方法，并具有改进的保证。此外，该研究还建立了从高维在线多校准到上下文 $\Phi$-遗憾最小化的精细归约，为 $\Phi$-遗憾提供了一条新的途径，该途径绕过了复杂的机制并产生了更鲁棒的算法。 AI

影响为在线学习和多校准建立了新的理论途径，可能导致更鲁棒的算法。

排序理由该集群包含一篇提交到 arXiv 的研究论文，详细介绍了机器学习方面的理论进展。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Gabriele Farina, Juan Carlos Perdomo · 2026-08-05 04:00

An Efficient Black-Box Reduction from Online Learning to Multicalibration, and a New Route to $\Phi$-Regret Minimization

arXiv:2604.19592v2 Announce Type: replace Abstract: We give a Gordon-Greenwald-Marks (GGM) style black-box reduction from online learning to online multicalibration. Concretely, we show that to achieve high-dimensional multicalibration with respect to a class of functions $\mathc…

报道来源 [1]

An Efficient Black-Box Reduction from Online Learning to Multicalibration, and a New Route to $\Phi$-Regret Minimization

相关实体

相关话题