引入了一个名为对抗性分批在线学习的新框架,其中学习者的更新被限制在特定的时间步长,有效地将学习周期划分为批次。该模型在四个基本问题上进行了分析:随机老虎机、在线凸优化、专家建议预测和对抗性老虎机。对于随机老虎机,遗憾界限是根据与批次增长相关的复杂度度量来确定的,表明惩罚会随着批次的难度增加而增加。对于其他三个问题,最优遗憾由批次长度序列的2-范数决定,即使是不知道批次结构的学习者也能实现。 AI
影响 为在线学习引入了新的理论框架,可能影响各种机器学习应用中的算法设计。
排序理由 该集群描述了在arXiv上的一篇学术论文中提出的新理论框架和分析。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →