論文の概要: The Dimension of Self-Directed Learning

• arxiv url: http://arxiv.org/abs/2402.13400v1
• Date: Tue, 20 Feb 2024 21:59:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-22 17:58:40.423810
• Title: The Dimension of Self-Directed Learning
• Title（参考訳）: 自己指導型学習の次元
• Authors: Pramith Devulapalli and Steve Hanneke
• Abstract要約: 本研究では,2進環境と多進環境の両方において,自己指向型学習の複雑さについて検討する。 我々は,任意の概念クラスに対して,自己指向型学習ミスバウンドを正確に特徴付ける次元である$SDdim$を開発する。 自己指向型学習モデルとオフラインシーケンス学習モデルを中心に,学習可能性のギャップをいくつも示している。
• 参考スコア（独自算出の注目度）: 18.701165230774325
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding the self-directed learning complexity has been an important problem that has captured the attention of the online learning theory community since the early 1990s. Within this framework, the learner is allowed to adaptively choose its next data point in making predictions unlike the setting in adversarial online learning. In this paper, we study the self-directed learning complexity in both the binary and multi-class settings, and we develop a dimension, namely $SDdim$, that exactly characterizes the self-directed learning mistake-bound for any concept class. The intuition behind $SDdim$ can be understood as a two-player game called the "labelling game". Armed with this two-player game, we calculate $SDdim$ on a whole host of examples with notable results on axis-aligned rectangles, VC dimension $1$ classes, and linear separators. We demonstrate several learnability gaps with a central focus on self-directed learning and offline sequence learning models that include either the best or worst ordering. Finally, we extend our analysis to the self-directed binary agnostic setting where we derive upper and lower bounds.
• Abstract（参考訳）: 自己指向学習の複雑さを理解することは、1990年代初頭からオンライン学習理論コミュニティの注目を集めてきた重要な問題である。 このフレームワークでは、学習者は、敵のオンライン学習の設定と異なる予測を行うことで、次のデータポイントを適応的に選択することができる。 本稿では,二進的・多進的設定における自己指向学習の複雑さについて検討し,概念クラスにおける自己指向学習ミスバウンドを正確に特徴付ける次元,すなわち$SDdim$を開発する。 SDdim$の背景にある直感は「ラベリングゲーム」と呼ばれる2プレイヤーゲームと解釈できる。 この2人のプレイヤーのゲームと組み合わさって、軸方向の矩形、VC次元の1ドルクラス、線形セパレータに顕著な結果をもたらす一連の実例について、SDdim$を計算する。 自己指向学習とオフラインシーケンス学習モデルに焦点を絞った学習可能性のギャップを,ベストないし最悪の順序付けを含む形で示す。 最後に,この解析を,上界と下界を導出する自己指向型バイナリ非依存設定に拡張する。

関連論文リスト

• MODL: Multilearner Online Deep Learning [23.86544389731734]
  既存の作業はほとんど、純粋なディープラーニングソリューションの探索に重点を置いています。 我々は,ハイブリッドマルチラーナーアプローチに基づく,異なるパラダイムを提案する。 提案手法は,一般的なオンライン学習データセットにおいて,最先端の学習結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-05-28T15:34:33Z)
• Impact of Decentralized Learning on Player Utilities in Stackelberg Games [57.08270857260131]
  多くの2エージェントシステムでは、各エージェントは別々に学習し、2つのエージェントの報酬は完全に一致しない。 分散学習を用いたStackelbergゲームとしてこれらのシステムをモデル化し、標準後悔ベンチマークが少なくとも1人のプレイヤーにとって最悪の線形後悔をもたらすことを示す。 我々は,これらのベンチマークに関して,両プレイヤーにとってほぼ最適な$O(T2/3)を後悔するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-02-29T23:38:28Z)
• A Trichotomy for Transductive Online Learning [32.03948071550447]
  我々は,Ben-David, Kushilevitz, Mansour (1997) のオンライン学習環境における学習者の誤り数に関する,新たな上限と下限を提示する。 この設定は標準的なオンライン学習と似ているが、敵はゲームの開始時にラベル付けされる一連のインスタンスを修正し、このシーケンスは学習者に知られている。
  論文  参考訳（メタデータ） (2023-11-10T23:27:23Z)
• Self-Directed Linear Classification [50.659479930171585]
  オンライン分類では、学習者は、誤りの総数を最小限に抑えるために、オンラインでラベルを予測することを目的としている。 そこで本研究では,予測順序の選択能力について検討し,最低次学習とランダム次学習の分離を初めて確立する。
  論文  参考訳（メタデータ） (2023-08-06T15:38:44Z)
• Ticketed Learning-Unlearning Schemes [57.89421552780526]
  そこで我々は,学習のためのチケット付きモデルを提案する。 広義のコンセプトクラスに対して,空間効率のよいチケット付き学習スキームを提供する。
  論文  参考訳（メタデータ） (2023-06-27T18:54:40Z)
• Multiclass Online Learning and Uniform Convergence [34.21248304961989]
  対戦型オンライン学習環境におけるマルチクラス分類について検討する。 任意のマルチクラスの概念クラスが、そのリトルストーン次元が有限である場合に限り、不可知的に学習可能であることを証明する。
  論文  参考訳（メタデータ） (2023-03-30T21:35:48Z)
• Decentralized model-free reinforcement learning in stochastic games with average-reward objective [1.9852463786440127]
  本アルゴリズムは,次数$T3/4$のサブ線形高確率後悔と次数$T2/3$のサブ線形高確率後悔を実現する。 本アルゴリズムは,従来の手法に比べて計算量が少なく,メモリスペースも少ない。
  論文  参考訳（メタデータ） (2023-01-13T15:59:53Z)
• Fast Rates for Nonparametric Online Learning: From Realizability to Learning in Games [36.969021834291745]
  本稿では,仮説クラスの逐次的脂肪散乱次元の観点から,ほぼ最適誤差を導出する固有学習アルゴリズムを提案する。 この結果は、適切な学習者が準最適誤り境界を達成できるかどうかという疑問に答える。 実数値(回帰)設定では、最適誤り境界は不適切な学習者にさえ知られていなかった。
  論文  参考訳（メタデータ） (2021-11-17T05:24:21Z)
• Exploring the Common Principal Subspace of Deep Features in Neural Networks [50.37178960258464]
  我々は、同じデータセットでトレーニングされた異なるディープニューラルネットワーク(DNN)が、潜在空間において共通の主部分空間を共有することを発見した。 具体的には、DNNで学んだ深い機能の主部分空間を表すために、$mathcalP$-vectorを新たに設計する。 異なるアルゴリズム/アーキテクチャで訓練された2つのDNNの比較では、小さな角度(コサインが1.0ドルに近い)が見つかっている。
  論文  参考訳（メタデータ） (2021-10-06T15:48:32Z)
• Adversaries in Online Learning Revisited: with applications in Robust Optimization and Adversarial training [55.30970087795483]
  オンライン学習における「敵対的」の概念を再考し、堅牢な最適化と敵対的なトレーニング問題を解決することに動機づけられます。 我々は,想像遊びを用いた多種多様な問題クラスに対する一般的なアプローチを確立する。
  論文  参考訳（メタデータ） (2021-01-27T14:23:06Z)
• Online Learning with Imperfect Hints [72.4277628722419]
  オンライン学習において,不完全な方向ヒントを用いたアルゴリズムを開発し,ほぼ一致している。 我々のアルゴリズムはヒントの品質を損なうものであり、後悔の限界は常に相関するヒントの場合と隠れない場合とを補間する。
  論文  参考訳（メタデータ） (2020-02-11T23:06:09Z)

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。