实体
Prediction with Expert Advice by Following the Perturbed Leader for General Weights
Prediction with Expert Advice by Following the Perturbed Leader for General Weights
PulseAugur coverage of Prediction with Expert Advice by Following the Perturbed Leader for General Weights — every cluster mentioning Prediction with Expert Advice by Following the Perturbed Leader for General Weights across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
关系
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
引入新的对抗性分批在线学习框架
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。
-
新的GDRO方法在去中心化网络中提供每个工作节点的收敛保证
研究人员开发了在去中心化网络中进行分组分布鲁棒优化(GDRO)的新方法,使协作工作节点能够在无需全局信息的情况下学习鲁棒模型。所提出的框架通过将问题重构为去中心化在线凸优化问题,解决了评估依赖于工作节点的损失的挑战。这些方法首次为优化原始GDRO目标提供了每个工作节点的收敛保证,其实例化方法实现了O(sqrt((log m)/T))的收敛速率。