新的元学习框架解决了在线优化中的动态遗憾问题

研究人员开发了一个新的元学习框架，用于解决在线凸优化中的动态遗憾问题，特别是在处理指示器切换成本时。该成本考虑了当连续决策不同时发生的服务器激活或模型部署等开销。所提出的算法，即由通过最大耦合采样动作的主算法聚合的一组随机惰性FTRL基础学习器，实现了动态遗憾加上累积切换成本的理论界限。该界限对于跟踪分段常数比较器是 minimax 最优的，并且还可以处理频繁移动的比较器。 AI

影响 引入了一种新颖的理论框架，用于在特定成本结构下优化序贯决策，可能影响需要高效资源分配或自适应策略的AI系统。

排序理由 详细介绍在线凸优化新理论框架和算法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• CORE Recommender
• DagsHub
• Follow-the-Regularized-Leader
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• Indicator Switching Costs
• Influence Flower
• Online Convex Optimization
• ScienceCast

• 论文
• 其他

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