Panayotis Mertikopoulos
PulseAugur coverage of Panayotis Mertikopoulos — every cluster mentioning Panayotis Mertikopoulos across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新算法HOOD保证在一般博弈中实现恒定遗憾
研究人员开发了一种名为HOOD（高阶乐观主义与折扣）的新学习算法，该算法保证在一般N方正常形式博弈中实现特定水平的个体遗憾。该算法是乐观的正则化领导者跟随（OptFTRL）算法的一个变体，结合了折扣的（N+1）阶预测器和熵正则化。该方法旨在减少博弈中的振荡，这是以往在此类博弈中实现恒定遗憾的尝试所面临的挑战。这项工作与Liu、Farina和Ozdaglar的独立研究有相似之处，后者也探索了用于遗憾最小化的高阶乐观主义。
-
新研究探讨多智能体在线学习中的偏好预测
一篇新论文探讨了序数偏好与多智能体在线学习动态的长期行为之间的关系。研究人员 Panayotis Mertikopoulos 及其同事证明，虽然偏好结构可以预测一些稳定的结果，但反之并非总是成立。他们表明，在所有情况下，偏好并不能完全决定动态稳定性，并引入了聚合偏差下的韧性概念来弥合这一差距。
-
新论文探讨博弈中的遗憾、均衡与学习
一篇新论文全面概述了博弈中的学习，探讨了单智能体决策过程和多智能体交互。它引入了一系列正则化学习策略，旨在平衡探索与利用。该工作提出了对抗性赌博机的遗憾界限以及零和博弈的均衡收敛结果，将战略稳定性与动态学习吸引子联系起来。
-
新模型分析具有重尾噪声的随机镜像下降法
研究人员引入了一种用于随机镜像下降法（SMD）的连续时间模型，该模型考虑了重尾噪声。该模型称为Lévy镜像流（LMF），旨在分析SMD在受到无限方差随机梯度输入时的一致性保证。研究表明，即使存在显著的跳跃不连续性，LMF仍能在特定时间范围内实现$\\epsilon$-最优性，并为SMD变体提供了相应的离散时间保证。
-
新的OptMuon方法通过自适应动量增强随机优化
研究人员推出了一种新颖的自适应动量正交化方法OptMuon，用于随机非凸优化，该方法通过观察到的轨迹校准更新幅度。该方法将Muon风格的方向与依赖于轨迹的系数计划相结合，避免了对平滑度常数或方差水平的依赖。OptMuon为噪声自适应性和零噪声最优性提供了理论保证，在无需手动调整超参数的情况下，可降低到接近最优的确定性速率。