Fugu-MT 論文翻訳(概要): Optimal Regret Algorithm for Pseudo-1d Bandit Convex Optimization

論文の概要: Optimal Regret Algorithm for Pseudo-1d Bandit Convex Optimization

arxiv url: http://arxiv.org/abs/2102.07387v1
Date: Mon, 15 Feb 2021 08:16:51 GMT
ステータス: 処理完了
システム内更新日: 2021-02-16 15:36:57.082640
Title: Optimal Regret Algorithm for Pseudo-1d Bandit Convex Optimization
Title（参考訳）: Pseudo-1d Bandit Convex Optimizationのための最適回帰アルゴリズム
Authors: Aadirupa Saha, Nagarajan Natarajan, Praneeth Netrapalli, Prateek Jain
Abstract要約: 我々は,バンディットフィードバックを用いてオンライン学習を学習する。 learnerは、コスト/リワード関数が"pseudo-1d"構造を許可するゼロ次オラクルのみにアクセスできる。我々は、$T$がラウンドの数である任意のアルゴリズムの後悔のために$min(sqrtdT、T3/4)$の下限を示しています。ランダム化オンライングラデーション下降とカーネル化指数重み法を組み合わせた新しいアルゴリズムsbcalgを提案し,疑似-1d構造を効果的に活用する。
参考スコア（独自算出の注目度）: 51.23789922123412
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study online learning with bandit feedback (i.e. learner has access to only zeroth-order oracle) where cost/reward functions $\f_t$ admit a "pseudo-1d" structure, i.e. $\f_t(\w) = \loss_t(\pred_t(\w))$ where the output of $\pred_t$ is one-dimensional. At each round, the learner observes context $\x_t$, plays prediction $\pred_t(\w_t; \x_t)$ (e.g. $\pred_t(\cdot)=\langle \x_t, \cdot\rangle$) for some $\w_t \in \mathbb{R}^d$ and observes loss $\loss_t(\pred_t(\w_t))$ where $\loss_t$ is a convex Lipschitz-continuous function. The goal is to minimize the standard regret metric. This pseudo-1d bandit convex optimization problem (\SBCO) arises frequently in domains such as online decision-making or parameter-tuning in large systems. For this problem, we first show a lower bound of $\min(\sqrt{dT}, T^{3/4})$ for the regret of any algorithm, where $T$ is the number of rounds. We propose a new algorithm \sbcalg that combines randomized online gradient descent with a kernelized exponential weights method to exploit the pseudo-1d structure effectively, guaranteeing the {\em optimal} regret bound mentioned above, up to additional logarithmic factors. In contrast, applying state-of-the-art online convex optimization methods leads to $\tilde{O}\left(\min\left(d^{9.5}\sqrt{T},\sqrt{d}T^{3/4}\right)\right)$ regret, that is significantly suboptimal in $d$.
Abstract（参考訳）: 我々は,バンディットフィードバックを用いてオンライン学習を学習する。コスト/リワード関数 $\f_t$ は "pseudo-1d" 構造、すなわち "pseudo-1d" 構造を受け入れる。 $\f_t(\w) = \loss_t(\pred_t(\w))$ ここで$\pred_t$の出力は1次元である。各ラウンドで、学習者はコンテキスト $\x_t$ を観察し、予測 $\pred_t(\w_t; \x_t)$ を再生する。 $\pred_t(\cdot)=\langle \x_t, \cdot\rangle$) for some $\w_t \in \mathbb{R}^d$ and observes loss $\loss_t(\pred_t(\w_t))$ where $\loss_t$ is a convex Lipschitz-continuous function。目標は、標準の後悔度を最小化することです。この擬似1dバンディット凸最適化問題(\SBCO)は、大規模システムにおけるオンライン意思決定やパラメータ調整などの領域で頻繁に発生する。この問題に対して、まず$T$がラウンド数である任意のアルゴリズムの後悔のために、$\min(\sqrt{dT}, T^{3/4})$の下限を示す。本稿では,擬似1d構造を効果的に活用するために,ランダム化オンライン勾配降下法とカーネル化指数重み付け法を併用した新しいアルゴリズム \sbcalgを提案する。対照的に、最先端のオンライン凸最適化手法を適用すると、$\tilde{O}\left(\min\left(\min\left(d^{9.5}\sqrt{T},\sqrt{d}T^{3/4}\right)\right)$ regretとなる。

論文の概要: Optimal Regret Algorithm for Pseudo-1d Bandit Convex Optimization

関連論文リスト