Fugu-MT 論文翻訳(概要): Open Problem: Model Selection for Contextual Bandits

論文の概要: Open Problem: Model Selection for Contextual Bandits

arxiv url: http://arxiv.org/abs/2006.10940v1
Date: Fri, 19 Jun 2020 03:00:01 GMT
ステータス: 処理完了
システム内更新日: 2022-11-19 03:49:39.935328
Title: Open Problem: Model Selection for Contextual Bandits
Title（参考訳）: オープン問題:コンテキスト・バンディットのためのモデル選択
Authors: Dylan J. Foster and Akshay Krishnamurthy and Haipeng Luo
Abstract要約: 文脈的バンディット学習において同様の保証が可能かどうかを問う。統計的学習において、モデル選択のためのアルゴリズムは、学習者が最良の仮説クラスの複雑さに適応できるようにする。
参考スコア（独自算出の注目度）: 82.57505650713496
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In statistical learning, algorithms for model selection allow the learner to adapt to the complexity of the best hypothesis class in a sequence. We ask whether similar guarantees are possible for contextual bandit learning.
Abstract（参考訳）: 統計的学習において、モデル選択のためのアルゴリズムは、学習者がシーケンス内の最良の仮説クラスの複雑さに適応できるようにする。我々は、文脈的バンディット学習に同様の保証が可能かどうかを問う。

関連論文リスト

Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
補完ラベル学習は、弱教師付き学習問題である。均一分布仮定に依存しない一貫したアプローチを提案する。相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
論文参考訳（メタデータ） (2023-11-27T02:59:17Z)
Discrete Choice Multi-Armed Bandits [0.0]
本稿では,個別選択モデルのカテゴリとオンライン学習とマルチアームバンディットアルゴリズムの領域の関連性を確立する。我々は、Exp3アルゴリズムを特定のケースとして包含して、包括的アルゴリズム群に対するサブ線形後悔境界を提供する。一般化されたネストロジットモデルからインスピレーションを得た,対向多重武装バンディットアルゴリズムの新たなファミリーを導入する。
論文参考訳（メタデータ） (2023-10-01T03:41:04Z)
Momentum Contrastive Pre-training for Question Answering [54.57078061878619]
MCROSSはモーメントコントラスト学習フレームワークを導入し、クローゼのような解答確率と自然な問合せのサンプルペアを一致させる。本手法は,教師付きシナリオとゼロショットシナリオの両方において,すべてのベースラインと比較して顕著な改善を実現している。
論文参考訳（メタデータ） (2022-12-12T08:28:22Z)
Fast Feature Selection with Fairness Constraints [49.142308856826396]
モデル構築における最適特徴の選択に関する基礎的問題について検討する。この問題は、greedyアルゴリズムの変種を使用しても、大規模なデータセットで計算的に困難である。適応クエリモデルは,最近提案された非モジュラー関数に対する直交整合探索のより高速なパラダイムに拡張する。提案アルゴリズムは、適応型クエリモデルにおいて指数関数的に高速な並列実行を実現する。
論文参考訳（メタデータ） (2022-02-28T12:26:47Z)
Universal and data-adaptive algorithms for model selection in linear contextual bandits [52.47796554359261]
モデル選択の最も単純な非自明な例を考える: 単純な多重武装バンディット問題と線形文脈バンディット問題とを区別する。データ適応的な方法で探索する新しいアルゴリズムを導入し、$mathcalO(dalpha T1- alpha)$という形式の保証を提供する。我々のアプローチは、いくつかの仮定の下で、ネストされた線形文脈包帯のモデル選択に拡張する。
論文参考訳（メタデータ） (2021-11-08T18:05:35Z)
Near Instance Optimal Model Selection for Pure Exploration Linear Bandits [20.67688737534517]
純探索線形帯域設定におけるモデル選択問題について検討する。私たちのゴールは、最小の仮説クラスのインスタンス依存の複雑性尺度に自動的に適応することです。提案アルゴリズムは,実験設計に基づく新しい最適化問題を定義する。
論文参考訳（メタデータ） (2021-09-10T22:56:58Z)
Model Selection for Generic Contextual Bandits [20.207989166682832]
適応文脈帯域(tt Family ACB)と呼ばれる改良型アルゴリズムを提案する。我々は、このアルゴリズムが適応的であること、すなわち、リットレートが任意の証明可能な文脈帯域幅アルゴリズムと整合していることを証明する。また,真のモデルクラスを知らないにもかかわらず,ETCスタイルのアルゴリズムでも同様の後悔境界が得られることを示す。
論文参考訳（メタデータ） (2021-07-07T19:35:31Z)
Towards Costless Model Selection in Contextual Bandits: A Bias-Variance Perspective [7.318831153179727]
文脈的包帯設定における累積的後悔最小化のための同様の保証の実現可能性について検討した。提案アルゴリズムは, 新たな不特定性テストに基づいており, モデル選択による報酬推定の利点を実証する。
論文参考訳（メタデータ） (2021-06-11T16:08:03Z)
Online Active Model Selection for Pre-trained Classifiers [72.84853880948894]
我々は,任意のラウンドにおいて高い確率で最良のモデルをラベル付けし,出力する情報的サンプルを積極的に選択するオンライン選択的サンプリング手法を設計する。我々のアルゴリズムは、敵とストリームの両方のオンライン予測タスクに利用できる。
論文参考訳（メタデータ） (2020-10-19T19:53:15Z)

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。