論文の概要: Online SuBmodular + SuPermodular (BP) Maximization with Bandit Feedback
- arxiv url: http://arxiv.org/abs/2207.03091v3
- Date: Sun, 12 May 2024 20:19:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-15 02:01:31.852566
- Title: Online SuBmodular + SuPermodular (BP) Maximization with Bandit Feedback
- Title（参考訳）: 帯域フィードバックを用いたオンライン・サBmodular + SuPermodular (BP)最大化
- Authors: Adhyyan Narang, Omid Sadeghi, Lillian J Ratliff, Maryam Fazel, Jeff Bilmes,
- Abstract要約: 我々は純粋に部分モジュラーな前処理をより一般的な非部分モジュラー目的に拡張する。
これにより、オブジェクト間の競合(部分モジュラー)だけでなく、補完的(超モジュラー)な関係を表現することができる。
- 参考スコア（独自算出の注目度）: 23.665149409064814
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the context of online interactive machine learning with combinatorial objectives, we extend purely submodular prior work to more general non-submodular objectives. This includes: (1) those that are additively decomposable into a sum of two terms (a monotone submodular and monotone supermodular term, known as a BP decomposition); and (2) those that are only weakly submodular. In both cases, this allows representing not only competitive (submodular) but also complementary (supermodular) relationships between objects, enhancing this setting to a broader range of applications (e.g., movie recommendations, medical treatments, etc.) where this is beneficial. In the two-term case, moreover, we study not only the more typical monolithic feedback approach but also a novel framework where feedback is available separately for each term. With real-world practicality and scalability in mind, we integrate Nystrom sketching techniques to significantly reduce the computational cost, including for the purely submodular case. In the Gaussian process contextual bandits setting, we show sub-linear theoretical regret bounds in all cases. We also empirically show good applicability to recommendation systems and data subset selection.
- Abstract（参考訳）: 組合せ目的を伴うオンラインインタラクティブ機械学習の文脈では、純粋にサブモジュラーな事前作業はより一般的な非サブモジュラーな目的に拡張する。
これは、(1)加法的に分解可能な項を2つの項の和(単調部分モジュラー項と単調超モジュラー項、BP分解(英語版)として知られる)、(2)弱部分モジュラー項のみを含む。
どちらの場合でも、これはオブジェクト間の競合(サブモジュール)だけでなく、補完的(スーパーモジュール)な関係を表現することを可能にし、この設定をより広い範囲のアプリケーション(例えば、映画レコメンデーション、医療治療など)に拡張する。
さらに,従来のモノリシックなフィードバックアプローチだけでなく,それぞれの用語でフィードバックを個別に利用できる新しいフレームワークについても検討する。
実世界の実用性とスケーラビリティを念頭に置いて、純粋にモジュラーなケースを含む計算コストを大幅に削減するために、Nystromスケッチ技術を統合する。
ガウス過程の文脈的帯域設定では、すべての場合において準線形理論的後悔境界を示す。
また,レコメンデーションシステムやデータサブセットの選択に優れた適用性を示す。
関連論文リスト
- Data Summarization beyond Monotonicity: Non-monotone Two-Stage
Submodular Maximization [11.296845424426062]
2段階の準モジュラー問題の目的は、サブモジュラーである与えられた訓練関数を用いて、基底集合を減少させることである。
この問題は、データの要約を含む様々な領域に応用されている。
論文 参考訳（メタデータ） (2023-09-11T01:00:10Z) - Non-monotone Sequential Submodular Maximization [13.619980548779687]
我々は、$k$の重み付けが最大になるように、基底セット$V$から$k$の項目群を選択してランク付けすることを目指している。
本研究の結果は,レコメンデーションシステムや最適化など,様々な分野に影響を及ぼす。
論文 参考訳（メタデータ） (2023-08-16T19:32:29Z) - Can SAM Boost Video Super-Resolution? [78.29033914169025]
単純な有効モジュールであるSAM-guidEd refinEment Module (SEEM)を提案する。
この軽量プラグインモジュールは、セマンティック・アウェア機能の生成にアテンションメカニズムを活用するように設計されている。
我々はSEEMをEDVRとBasicVSRの2つの代表的手法に適用し、最小限の実装労力で継続的に性能を向上する。
論文 参考訳（メタデータ） (2023-05-11T02:02:53Z) - Randomized Greedy Learning for Non-monotone Stochastic Submodular
Maximization Under Full-bandit Feedback [98.29086113546045]
本稿では,非拘束型マルチアームバンディットのフルバンドフィードバックとサブモジュール性に対する報奨問題について検討する。
RGLは、サブモジュールおよび非サブモジュール設定において、他のフルバンド変種よりも経験的に優れていることを示す。
論文 参考訳（メタデータ） (2023-02-02T18:52:14Z) - USER: Unified Semantic Enhancement with Momentum Contrast for Image-Text
Retrieval [115.28586222748478]
Image-Text Retrieval (ITR) は、与えられたクエリに意味のあるターゲットインスタンスを、他のモダリティから検索することを目的としている。
既存のアプローチは通常、2つの大きな制限に悩まされる。
論文 参考訳（メタデータ） (2023-01-17T12:42:58Z) - Group Equality in Adaptive Submodular Maximization [13.619980548779687]
非適応的条件と適応的条件の両方で群等式制約を受ける古典的部分モジュラー問題について検討する。
この問題に対する最初の定数近似アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-07-07T15:12:02Z) - Planning with Submodular Objective Functions [118.0376288522372]
準モジュラー目的関数を用いて計画を行い、累積報酬を最大化する代わりに、劣モジュラー関数によって誘導される値の最大化を目標とする。
本フレームワークは, 基本性制約を特別な場合として, 標準計画と準モジュラー目標を仮定する。
論文 参考訳（メタデータ） (2020-10-22T16:55:12Z) - Continuous Submodular Function Maximization [91.17492610120324]
連続部分モジュラリティ (continuous submodularity) は、幅広い応用を持つ関数のクラスである。
連続的な部分モジュラ最適化の応用は、影響、推論のMAP、フィールドへの推論など多岐にわたる。
論文 参考訳（メタデータ） (2020-06-24T04:37:31Z) - Batch greedy maximization of non-submodular functions: Guarantees and
applications to experimental design [0.0]
非部分モジュラーな非退化集合関数の濃度制約に対するグリーディを解析する。
我々の理論的保証は、部分モジュラリティと超モジュラリティ比の組み合わせによって特徴づけられる。
論文 参考訳（メタデータ） (2020-06-03T18:58:06Z) - From Sets to Multisets: Provable Variational Inference for Probabilistic
Integer Submodular Models [82.95892656532696]
サブモジュール関数は機械学習やデータマイニングにおいて広く研究されている。
本研究では,整数部分モジュラ函数に対する連続DR-部分モジュラ拡張を提案する。
整数部分モジュラー関数によって定義される新しい確率モデルを定式化する。
論文 参考訳（メタデータ） (2020-06-01T22:20:45Z) - Streaming Submodular Maximization under a $k$-Set System Constraint [42.31117997337689]
非単調な部分モジュラーのストリーミングを非単調な部分モジュラーのストリーミングに変換する新しいフレームワークを提案する。
また,$k$ible $k$-setシステム制約を考慮したモノトンサブモジュールストリーミングのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-02-09T12:32:14Z)
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。