Fugu-MT 論文翻訳(概要): Regret Bounds for Noise-Free Kernel-Based Bandits

論文の概要: Regret Bounds for Noise-Free Kernel-Based Bandits

arxiv url: http://arxiv.org/abs/2002.05096v2
Date: Fri, 24 Jun 2022 12:50:28 GMT
ステータス: 処理完了
システム内更新日: 2023-01-01 19:21:03.257343
Title: Regret Bounds for Noise-Free Kernel-Based Bandits
Title（参考訳）: ノイズフリーカーネルベースのバンディットに対する後悔の限界
Authors: Sattar Vakili
Abstract要約: カーネルベースバンディット(英: Kernel-based bandit)は、ブラックボックス最適化の問題である。後悔に関するいくつかの上限について論じるが、いずれも最適に見えず、最適の後悔境界に関する予想を与える。
参考スコア（独自算出の注目度）: 4.924126492174802
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Kernel-based bandit is an extensively studied black-box optimization problem, in which the objective function is assumed to live in a known reproducing kernel Hilbert space. While nearly optimal regret bounds (up to logarithmic factors) are established in the noisy setting, surprisingly, less is known about the noise-free setting (when the exact values of the underlying function is accessible without observation noise). We discuss several upper bounds on regret; none of which seem order optimal, and provide a conjecture on the order optimal regret bound.
Abstract（参考訳）: カーネルベースバンドイット(kernel-based bandit)は、対象関数が既知の再生核ヒルベルト空間に存在すると仮定された、広く研究されたブラックボックス最適化問題である。雑音環境では、ほぼ最適な後悔境界(対数的要因まで)が確立されているが、驚くほど、ノイズのない設定については知られていない(基礎関数の正確な値が観測ノイズなしでアクセス可能である)。後悔に関するいくつかの上限について論じるが、いずれも最適に見えず、最適の後悔境界に関する予想を与える。

関連論文リスト

Lower Bounds for Time-Varying Kernelized Bandits [43.62161925881489]
ノイズの多い観測によるブラックボックス関数の最適化は、広く応用される基本的な問題である。特定のアプリケーションに不可欠な非定常シナリオについて検討するが、現時点では十分に理解されていない。 $ell_infty$-norm変異の下では、我々の境界は最先端の上限に近いことが分かる。
論文参考訳（メタデータ） (2024-10-22T04:45:47Z)
Stochastic Zeroth-Order Optimization under Strongly Convexity and Lipschitz Hessian: Minimax Sample Complexity [59.75300530380427]
本稿では,アルゴリズムが検索対象関数の雑音評価にのみアクセス可能な2次スムーズかつ強い凸関数を最適化する問題を考察する。本研究は, ミニマックス単純後悔率について, 一致した上界と下界を発達させることにより, 初めて厳密な評価を行ったものである。
論文参考訳（メタデータ） (2024-06-28T02:56:22Z)
Random Exploration in Bayesian Optimization: Order-Optimal Regret and Computational Efficiency [18.17090625880964]
本研究では,分布から引き出されたランダムサンプルを用いて領域を探索する手法について検討する。このランダム探索手法が最適誤差率を達成することを示す。
論文参考訳（メタデータ） (2023-10-23T20:30:44Z)
On the Sublinear Regret of GP-UCB [58.25014663727544]
ガウス過程上信頼境界 (GP-UCB) アルゴリズムは, ほぼ最適の後悔率を有することを示す。私たちの改善は、基盤となるカーネルの滑らかさに比例してカーネルリッジ推定を正規化するという、重要な技術的貢献に依存しています。
論文参考訳（メタデータ） (2023-07-14T13:56:11Z)
Misspecified Gaussian Process Bandit Optimization [59.30399661155574]
カーネル化されたバンディットアルゴリズムは、この問題に対して強い経験的および理論的性能を示した。本稿では、未知関数を$epsilon$-一様近似で近似できるエンフェミス特定カーネル化帯域設定を、ある再生カーネルヒルベルト空間(RKHS)において有界ノルムを持つ関数で導入する。提案アルゴリズムは,不特定性に関する事前知識を伴わず,$epsilon$への最適依存を実現する。
論文参考訳（メタデータ） (2021-11-09T09:00:02Z)
Optimal Order Simple Regret for Gaussian Process Bandits [6.84224661918159]
純粋な探索アルゴリズムは既存の境界よりもかなり厳密であることを示す。この後悔は、カーネル上の低い境界が知られている場合に、対数的に最適であることを示す。
論文参考訳（メタデータ） (2021-08-20T16:49:32Z)
On Information Gain and Regret Bounds in Gaussian Process Bandits [8.499604625449907]
ノイズフィードバックの観測から、高い評価と、おそらくは非シーケンシャルな目的関数$f$の最適化を考える。カーネルのMatern族では、$gamma_T$の低い境界と、頻繁な設定での後悔が知られている。
論文参考訳（メタデータ） (2020-09-15T10:15:29Z)
On Lower Bounds for Standard and Robust Gaussian Process Bandit Optimization [55.937424268654645]
有界ノルムを持つ関数のブラックボックス最適化問題に対するアルゴリズム非依存な下界を考える。本稿では, 単純さ, 汎用性, エラー確率への依存性の向上など, 後悔の下位境界を導出するための新しい証明手法を提案する。
論文参考訳（メタデータ） (2020-08-20T03:48:14Z)
Corruption-Tolerant Gaussian Process Bandit Optimization [130.60115798580136]
未知(典型的には非生成)関数を有界ノルムで最適化する問題を考察する。我々は「高速だが非ローバスト」と「スロー」に基づく高速スローGP-UCBに基づくアルゴリズムを提案する。ある種の依存関係は、汚職レベルによっては要求できない、と我々は主張する。
論文参考訳（メタデータ） (2020-03-04T09:46:58Z)
Contextual Linear Bandits under Noisy Features: Towards Bayesian Oracles [65.9694455739978]
特徴不確実性の下での文脈線形帯域問題について検討する。本分析により, 最適仮説は, 雑音特性に応じて, 基礎となる実現可能性関数から著しく逸脱しうることが明らかとなった。これは、古典的アプローチが非自明な後悔境界を保証できないことを意味する。
論文参考訳（メタデータ） (2017-03-03T21:39:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。