Konstantinos Ziliaskopoulos
PulseAugur coverage of Konstantinos Ziliaskopoulos — every cluster mentioning Konstantinos Ziliaskopoulos across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究以新方法解决在线学习中的动态遗憾问题 · 跟踪3个来源
三篇新研究论文探讨了在线学习中的动态遗憾最小化问题。第一篇论文侧重于针对弯曲损失和Adam等自适应优化器的FTRL（Follow-the-Regularized-Leader）方法，提出了一种简化证明并提供新保证的约简。第二篇论文引入了一个用于具有指示器切换成本的动态遗憾的元学习框架，实现了跟踪分段常数比较器的最小最大最优界。第三篇论文分析了上下文线性优化中遗憾的曲率，推导了一个闭式度量，并展示了其在电池套利任务中将遗憾提高30.8%的应用。
-
新框架DVA解释来自预测模型的决策
研究人员推出了一种名为决策-价值归因（DVA）的新框架，旨在解释预测模型在运营系统中做出的决策。与关注预测解释的标准方法不同，DVA直接将价值归因于这些预测所引发的决策。这种方法在预测-优化系统中至关重要，因为预测的微小变化会显著改变结果。DVA基于Shapley值，定义了合作博弈来量化信息来源和运营配置所产生的价值，从而深入了解这些要素如何共同创造价值并指导干预以改进决策。
-
新研究通过主动客户端选择和隐私分析推进联邦学习
研究人员正在探索改进联邦学习的新方法，这是一种在保护隐私的同时跨分布式数据源训练模型的技术。一种名为“明智且私密地选择”的方法，利用互信息和潜在联邦损失，在训练开始前主动选择其数据能最大化效用和公平性的客户端。另一项研究引入了一种轻量级几何信号，通过测量本地训练与全局模型功能行为的偏差来检测异常客户端。此外，新的理论工作为差分隐私联邦学习协议建立了通用下界，并分析了集中式和分布式联邦学习架构之间的权衡。