論文の概要: Open Problem: Is There an Online Learning Algorithm That Learns Whenever
Online Learning Is Possible?
- arxiv url: http://arxiv.org/abs/2107.09542v1
- Date: Tue, 20 Jul 2021 14:57:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-21 15:11:34.175684
- Title: Open Problem: Is There an Online Learning Algorithm That Learns Whenever
Online Learning Is Possible?
- Title（参考訳）: オープンな問題: オンライン学習がいつ可能かを学ぶオンライン学習アルゴリズムはあるか?
- Authors: Steve Hanneke
- Abstract要約: また、特定の簡潔な条件が、与えられた(おそらくランダムな)点 X の列が、すべての目標概念に対してサブ線形数の誤りを保証するオンライン学習アルゴリズムの存在を認めるかどうかを、完全に決定するかどうかを問う。
- 参考スコア（独自算出の注目度）: 10.15283812819547
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This open problem asks whether there exists an online learning algorithm for
binary classification that guarantees, for all target concepts, to make a
sublinear number of mistakes, under only the assumption that the (possibly
random) sequence of points X allows that such a learning algorithm can exist
for that sequence. As a secondary problem, it also asks whether a specific
concise condition completely determines whether a given (possibly random)
sequence of points X admits the existence of online learning algorithms
guaranteeing a sublinear number of mistakes for all target concepts.
- Abstract（参考訳）: このオープン問題は、(おそらくランダムな)点 x の列がその列に対してそのような学習アルゴリズムが存在することを前提として、すべての対象概念に対して、誤りのサブ線形数を保証できるバイナリ分類のためのオンライン学習アルゴリズムが存在するかどうかを問うものである。
二次問題として、特定の簡潔な条件が、与えられた(おそらくランダムな)点 x の列が、すべての対象概念に対する部分線形誤り数を保証するオンライン学習アルゴリズムの存在を認めるかどうかを完全に決定するかどうかを問う。
関連論文リスト
- Truly No-Regret Learning in Constrained MDPs [61.78619476991494]
未知のCMDPで学習するモデルベース原始双対アルゴリズムを提案する。
提案アルゴリズムは,誤差のキャンセルを伴わずにサブ線形後悔を実現する。
論文 参考訳（メタデータ） (2024-02-24T09:47:46Z) - The Clock and the Pizza: Two Stories in Mechanistic Explanation of
Neural Networks [59.26515696183751]
ニューラルネットワークにおけるアルゴリズム発見は、時としてより複雑であることを示す。
単純な学習問題でさえ、驚くほど多様なソリューションを許容できることが示されています。
論文 参考訳（メタデータ） (2023-06-30T17:59:13Z) - Algorithm Selection on a Meta Level [58.720142291102135]
本稿では,与えられたアルゴリズムセレクタの組み合わせに最適な方法を求めるメタアルゴリズム選択の問題を紹介する。
本稿では,メタアルゴリズム選択のための一般的な方法論フレームワークと,このフレームワークのインスタンス化として具体的な学習手法を提案する。
論文 参考訳（メタデータ） (2021-07-20T11:23:21Z) - Double Coverage with Machine-Learned Advice [100.23487145400833]
オンラインの基本的な$k$-serverの問題を学習強化環境で研究する。
我々のアルゴリズムは任意の k に対してほぼ最適の一貫性-破壊性トレードオフを達成することを示す。
論文 参考訳（メタデータ） (2021-03-02T11:04:33Z) - Learning Halfspaces With Membership Queries [0.0]
アクティブな学習は、アルゴリズムが見る必要があるサンプルの数で指数関数的な増加をもたらすこともある。
このアルゴリズムは実際にうまく動作し,不確実性サンプリングを著しく上回っている。
論文 参考訳（メタデータ） (2020-12-20T18:02:47Z) - Meta-learning with Stochastic Linear Bandits [120.43000970418939]
我々は、よく知られたOFULアルゴリズムの正規化バージョンを実装するバンディットアルゴリズムのクラスを考える。
我々は,タスク数の増加とタスク分散の分散が小さくなると,タスクを個別に学習する上で,我々の戦略が大きな優位性を持つことを理論的および実験的に示す。
論文 参考訳（メタデータ） (2020-05-18T08:41:39Z) - Discriminative Learning via Adaptive Questioning [6.378513792050356]
本稿では,候補の能力を複数のカテゴリの1つに最適に分類する,適応的な質問列を設計する問題を考察する。
候補の能力は未知のパラメータとしてモデル化され、質問の難易度とともに、s/h が質問に正しく答えられる可能性を決定する。
論文 参考訳（メタデータ） (2020-04-11T16:50:00Z) - Adversarial Online Learning with Changing Action Sets: Efficient
Algorithms with Approximate Regret Bounds [48.312484940846]
睡眠の専門家やバンドイットによるオンライン学習の問題を再考する。
各タイムステップにおいて、アルゴリズムが選択できるアクションのサブセットのみが利用可能である。
我々は、一般的な睡眠専門家/バンド問題に対して、アポキシマ-レグレット保証を提供するアルゴリズムを提供する。
論文 参考訳（メタデータ） (2020-03-07T02:13:21Z) - TopRank+: A Refinement of TopRank Algorithm [0.0]
トポロジカルソートに基づく新しいオンライン学習アルゴリズムが提案された。
本研究では、ある暗黙関数の混合と拡張の手法を用いて、不等式に対してより厳密で反復的なログのような境界を与える。
論文 参考訳（メタデータ） (2020-01-21T15:44:44Z) - A Modern Introduction to Online Learning [15.974402990630402]
オンライン学習(オンライン学習)とは、最悪の場合における後悔の最小化の枠組みを指す。
凸損失を伴うオンライン学習のための一階と二階のアルゴリズムを提示する。
論文 参考訳（メタデータ） (2019-12-31T08:16:31Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。