PulseAugur
实时 12:19:51
English(EN) Adversarial Resilience of Poisson-Process Submodular Maximization over Matroids: From Robust Offline Optimization to Full-Bandit Learning

新算法为次模最大化提供对抗鲁棒性

本研究论文介绍了一种名为“恶意贪婪交换泊松过程”(Spiteful Greedy Swap Poisson Process, SGS-Poisson)的新算法,用于具有拟阵约束的次模最大化问题。该算法具有对抗鲁棒性,意味着即使面对不完美的价值预言机,它也能保持其近似因子。这种鲁棒性使得开发具有改进的次模奖励遗憾界限的全赌博上下文多臂老虎机(CMAB)算法成为可能。 AI

影响 在与机器学习研究相关的优化算法方面引入了理论进展。

排序理由 该集群包含一篇详细介绍新算法和理论结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

新算法为次模最大化提供对抗鲁棒性

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Vaneet Aggarwal ·

    泊松过程次模最大化在拟阵上的对抗鲁棒性:从鲁棒离线优化到全赌博机学习

    arXiv:2608.12134v1 Announce Type: cross Abstract: We study nonnegative submodular maximization subject to a general matroid when the offline algorithm is given an arbitrary controlled value oracle. Our main result is an adversarial resilience theorem for the Spiteful Greedy Swap …