論文の概要: A Unified Analysis of Dynamic Interactive Learning
- arxiv url: http://arxiv.org/abs/2204.07071v1
- Date: Thu, 14 Apr 2022 16:03:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-15 13:56:27.666103
- Title: A Unified Analysis of Dynamic Interactive Learning
- Title(参考訳): 動的対話型学習の統一分析
- Authors: Xing Gao, Thomas Maranzatto, Lev Reyzin
- Abstract要約: Emamjomeh-Zadeh氏らによる以前の研究は、非静的なユーザの好みをモデル化する手段として、インタラクティブな学習のダイナミクスを導入しました。
私たちは、[Emamjomeh-Zadeh et al., 2020]で分析されたモデルの両方をキャプチャするフレームワークを提供します。
また,学習者が各ラウンドのフィードバックに従う,効率的なアルゴリズムについても検討する。
- 参考スコア(独自算出の注目度): 5.474944738795308
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper we investigate the problem of learning evolving concepts over a
combinatorial structure. Previous work by Emamjomeh-Zadeh et al. [2020]
introduced dynamics into interactive learning as a way to model non-static user
preferences in clustering problems or recommender systems. We provide many
useful contributions to this problem. First, we give a framework that captures
both of the models analyzed by [Emamjomeh-Zadeh et al., 2020], which allows us
to study any type of concept evolution and matches the same query complexity
bounds and running time guarantees of the previous models. Using this general
model we solve the open problem of closing the gap between the upper and lower
bounds on query complexity. Finally, we study an efficient algorithm where the
learner simply follows the feedback at each round, and we provide mistake
bounds for low diameter graphs such as cliques, stars, and general o(log n)
diameter graphs by using a Markov Chain model.
- Abstract(参考訳): 本稿では,組合せ構造上での進化的概念の学習問題を考察する。
Emamjomeh-Zadehらによる以前の作品。
2020年]クラスタ問題やレコメンダシステムにおける非静的ユーザの好みをモデル化する方法として,インタラクティブラーニングにダイナミクスを導入した。
我々はこの問題に多くの有益な貢献をしている。
まず、[emamjomeh-zadeh et al., 2020]で分析された両方のモデルをキャプチャするフレームワークを提供することで、任意のタイプの概念進化を研究し、同じクエリの複雑性境界と以前のモデルの実行時間保証にマッチさせることができる。
この一般モデルを用いて,クエリの複雑性に関する上界と下界のギャップを埋める開放的な問題を解く。
最後に,学習者が各ラウンドでのフィードバックを単純に追従する効率的なアルゴリズムについて検討し,マルコフ連鎖モデルを用いて,斜め,星,一般のo(log n)直径グラフなどの低径グラフに対して誤り境界を与える。
関連論文リスト
- Multi-View Stochastic Block Models [34.55723218769512]
我々は、この設定をキャプチャするtextitmulti-viewブロックモデルと呼ばれる、新しいモデルのファミリーを形式化する。
本モデルでは,まず,複数のグラフの和合体をネーティブに扱う効率的なアルゴリズムについて検討する。
そこで本研究では,各グラフの構造を別々に解析することで,従来の手法を確実に上回るアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-06-07T11:45:31Z) - Towards a Generic Representation of Combinatorial Problems for
Learning-Based Approaches [2.2526069385327316]
近年,問題解決に学習ベースのアプローチを使うことへの関心が高まっている。
この課題は、対象とする問題を学習アルゴリズムと互換性のある構造に符号化することにある。
既存の多くの研究は、しばしばグラフの形で、テキストトグラフニューラルネットワークの利点を活用するために問題固有の表現を提案している。
本稿では,学習に基づくアプローチにおける問題を完全に包括的に表現することを提唱する。
論文 参考訳(メタデータ) (2024-03-09T22:28:46Z) - Scalable Structure Learning for Sparse Context-Specific Systems [0.0]
数百の変数にスケールする文脈特化モデルを学習するためのアルゴリズムを提案する。
本手法は, 合成データと実世界の実例でよく動作することを示す。
論文 参考訳(メタデータ) (2024-02-12T16:28:52Z) - Tensor Decompositions Meet Control Theory: Learning General Mixtures of
Linear Dynamical Systems [19.47235707806519]
テンソル分解に基づく線形力学系の混合を学習するための新しいアプローチを提案する。
このアルゴリズムは, 成分の分離条件が強くないまま成功し, 軌道のベイズ最適クラスタリングと競合することができる。
論文 参考訳(メタデータ) (2023-07-13T03:00:01Z) - Oracle Inequalities for Model Selection in Offline Reinforcement
Learning [105.74139523696284]
本稿では,値関数近似を用いたオフラインRLにおけるモデル選択の問題について検討する。
対数係数まで最小値の速度-最適不等式を実現するオフラインRLの最初のモデル選択アルゴリズムを提案する。
そこで本研究では,優れたモデルクラスを確実に選択できることを示す数値シミュレーションを行った。
論文 参考訳(メタデータ) (2022-11-03T17:32:34Z) - Federated Learning Aggregation: New Robust Algorithms with Guarantees [63.96013144017572]
エッジでの分散モデルトレーニングのために、フェデレートラーニングが最近提案されている。
本稿では,連合学習フレームワークにおける集約戦略を評価するために,完全な数学的収束解析を提案する。
損失の値に応じてクライアントのコントリビューションを差別化することで、モデルアーキテクチャを変更できる新しい集約アルゴリズムを導出する。
論文 参考訳(メタデータ) (2022-05-22T16:37:53Z) - From Canonical Correlation Analysis to Self-supervised Graph Neural
Networks [99.44881722969046]
本稿では,グラフデータを用いた自己教師付き表現学習のための概念的単純かつ効果的なモデルを提案する。
古典的カノニカル相関解析にインスパイアされた,革新的な特徴レベルの目的を最適化する。
提案手法は、7つの公開グラフデータセット上で競合的に動作する。
論文 参考訳(メタデータ) (2021-06-23T15:55:47Z) - A Bi-Level Framework for Learning to Solve Combinatorial Optimization on
Graphs [91.07247251502564]
本稿では,2つの世界の長所を結合するハイブリッドな手法を提案する。この手法では,グラフを最適化する上層学習手法とバイレベルフレームワークを開発する。
このような二段階のアプローチは、元のハードCOでの学習を単純化し、モデルキャパシティの需要を効果的に軽減することができる。
論文 参考訳(メタデータ) (2021-06-09T09:18:18Z) - A Simple Approach to Case-Based Reasoning in Knowledge Bases [56.661396189466664]
我々は,古典人工知能(AI)におけるケースベース推論を想起させる,アンフノトレーニングを必要とする知識グラフ(KG)における推論に対する驚くほど単純かつ正確なアプローチを提案する。
ソースエンティティとバイナリ関係が与えられたターゲットエンティティを見つけるタスクを考えてみましょう。
我々の非パラメトリックなアプローチは、与えられた関係を通して類似したソースエンティティを接続する複数のテキストトグラフパスパターンを見つけることによって、クエリ毎にクレープな論理ルールを導出します。
論文 参考訳(メタデータ) (2020-06-25T06:28:09Z) - Graph Ordering: Towards the Optimal by Learning [69.72656588714155]
グラフ表現学習は、ノード分類、予測、コミュニティ検出など、多くのグラフベースのアプリケーションで顕著な成功を収めている。
しかし,グラフ圧縮やエッジ分割などのグラフアプリケーションでは,グラフ表現学習タスクに還元することは極めて困難である。
本稿では,このようなアプリケーションの背後にあるグラフ順序付け問題に対して,新しい学習手法を用いて対処することを提案する。
論文 参考訳(メタデータ) (2020-01-18T09:14:16Z) - Learning fine-grained search space pruning and heuristics for
combinatorial optimization [5.72274610208488]
本稿では,機械学習技術を利用して正確な最適化アルゴリズムをスケールアップするフレームワークを提案する。
我々のフレームワークは、問題インスタンスのサイズを減らすために、要素を刈り取るという比較的単純なタスクを学習します。
我々のフレームワークは入力グラフのかなりの部分を取り除き、なおも最大傾きのほとんどを検出可能であることを示す。
論文 参考訳(メタデータ) (2020-01-05T13:10:39Z)
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。