Fugu-MT 論文翻訳(概要): Online nearest neighbor classification

論文の概要: Online nearest neighbor classification

arxiv url: http://arxiv.org/abs/2307.01170v1
Date: Mon, 3 Jul 2023 17:29:58 GMT
ステータス: 処理完了
システム内更新日: 2023-07-05 12:10:26.865669
Title: Online nearest neighbor classification
Title（参考訳）: オンライン近隣分類
Authors: Sanjoy Dasgupta and Geelon So
Abstract要約: 本稿では,オンラインの非パラメトリック分類の事例について検討する。支配的あるいはスムーズな敵に対して、サブリニアな後悔(すなわち、消滅する誤り率)を達成できることを示します。
参考スコア（独自算出の注目度）: 10.599563005836067
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We study an instance of online non-parametric classification in the realizable setting. In particular, we consider the classical 1-nearest neighbor algorithm, and show that it achieves sublinear regret - that is, a vanishing mistake rate - against dominated or smoothed adversaries in the realizable setting.
Abstract（参考訳）: 本研究では,オンライン非パラメトリック分類の事例について検討する。特に、古典的な1-アネレスト近傍のアルゴリズムを考察し、それが実現可能な環境で支配的あるいはスムーズな敵に対するサブ線形後悔(すなわち消滅する誤り率)を達成することを示す。

関連論文リスト

Understanding the performance gap between online and offline alignment algorithms [63.137832242488926]
オフラインのアルゴリズムは、ペアの分類が得意になるようにポリシーを訓練し、オンラインのアルゴリズムは世代ごとに良いことを示しています。このことは、識別能力と生成能力の間のユニークな相互作用を示唆しており、これはサンプリングプロセスに大きく影響している。我々の研究は、AIアライメントにおけるオンラインサンプリングの重要な役割に光を当て、オフラインアライメントアルゴリズムのある種の根本的な課題を示唆している。
論文参考訳（メタデータ） (2024-05-14T09:12:30Z)
Online learning in bandits with predicted context [8.257280652461159]
エージェントがコンテキストの騒々しいバージョンにしかアクセスできない場合、コンテキスト的帯域幅の問題を考える。この設定は、意思決定の真のコンテキストが守られない広範囲のアプリケーションによって動機付けられている。本研究では,この設定において,軽度条件下でのサブ線形後悔保証を用いた最初のオンラインアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-07-26T02:33:54Z)
Byzantine-Robust Distributed Online Learning: Taming Adversarial Participants in An Adversarial Environment [47.63752647726183]
本稿では,ビザンチン攻撃下でのオンライン学習について検討する。本研究では, ビザンチン・ロバスト分散オンラインモーメントアルゴリズムを開発した。
論文参考訳（メタデータ） (2023-07-16T08:46:46Z)
Nearest Neighbour with Bandit Feedback [4.9094025705644695]
我々のアルゴリズムは、データ生成プロセスに関する仮定が全くなされていない完全に逆向きな設定を処理します。ユークリッド空間におけるバンドイト問題に適用した場合,アルゴリズムに対する一般的な後悔と解析を行う。
論文参考訳（メタデータ） (2023-06-23T20:09:01Z)
Improved Online Conformal Prediction via Strongly Adaptive Online Learning [86.4346936885507]
我々は、強い適応的後悔を最小限に抑える新しいオンライン共形予測手法を開発した。提案手法は,すべての区間において,ほぼ最適に適応的な後悔を同時に達成できることを実証する。実験により,本手法は実世界のタスクにおける既存の手法よりも,より優れたカバレッジと予測セットが得られることがわかった。
論文参考訳（メタデータ） (2023-02-15T18:59:30Z)
Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文参考訳（メタデータ） (2022-05-13T21:09:41Z)
Smoothed Online Learning is as Easy as Statistical Learning [77.00766067963195]
この設定では、最初のオラクル効率、非回帰アルゴリズムを提供する。古典的な設定で関数クラスが学習可能な場合、文脈的包帯に対するオラクル効率のよい非回帰アルゴリズムが存在することを示す。
論文参考訳（メタデータ） (2022-02-09T19:22:34Z)
Regret minimization in stochastic non-convex learning via a proximal-gradient approach [80.59047515124198]
機械学習やオペレーションの応用によって動機づけられた私たちは、オンラインで制約された問題を最小化するために、一階のオラクルフィードバックを後悔しています。我々は、近位複雑性低減技術を保証する新しいプロキシグレードを開発する。
論文参考訳（メタデータ） (2020-10-13T09:22:21Z)
Multiclass Classification via Class-Weighted Nearest Neighbors [10.509405690286176]
マルチクラス分類のためのk-アネレスト近傍アルゴリズムの統計特性について検討する。我々は, 精度, クラス重み付きリスク, 均一誤差に基づいて, 上限値と最小値の下位境界を導出する。
論文参考訳（メタデータ） (2020-04-09T17:50:16Z)

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。