PulseAugur
中
实时 11:40:19
English(EN) Online Learning-to-Defer with Varying Experts

新的在线算法增强了具有动态专家的延迟学习

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种新的在线算法，用于延迟学习（Learning-to-Defer, L2D）方法，旨在处理流式数据和动态专家可用性。该算法是首个用于具有多类分类、老虎机反馈和不同专家池的算法。它提供了理论遗憾保证，并在合成和真实世界数据集的实验中证明了其有效性，将L2D的能力扩展到更复杂、动态的环境中。 AI

影响 为机器学习中的动态专家选择引入了一种新颖的算法方法，有可能提高实时决策系统的效率。

排序理由 该集群包含一篇arXiv预印本，详细介绍了一种用于在线延迟学习的新算法。

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的在线算法增强了具有动态专家的延迟学习

报道来源 [2]

  1. arXiv stat.ML TIER_1 English(EN) · Dang Hoang Duy, Yannis Montreuil, Maxime Meyer, Axel Carlier, Lai Xing Ng, Wei Tsang Ooi ·

    具有不同专家的在线延迟学习

    arXiv:2605.12340v1 Announce Type: new Abstract: Learning-to-Defer (L2D) methods route each query either to a predictive model or to external experts. While existing work studies this problem in batch settings, real-world deployments require handling streaming data, changing exper…

  2. arXiv stat.ML TIER_1 English(EN) · Wei Tsang Ooi ·

    具有不同专家的在线延迟学习

    Learning-to-Defer (L2D) methods route each query either to a predictive model or to external experts. While existing work studies this problem in batch settings, real-world deployments require handling streaming data, changing expert availability, and shifting expert distribution…

相关话题