論文の概要: A Unified Regularization Approach to High-Dimensional Generalized Tensor Bandits

• arxiv url: http://arxiv.org/abs/2501.10722v2
• Date: Thu, 23 Jan 2025 12:14:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 12:37:21.707111
• Title: A Unified Regularization Approach to High-Dimensional Generalized Tensor Bandits
• Title（参考訳）: 高次元一般化テンソルバンドに対する統一正規化手法
• Authors: Jiannan Li, Yiyang Yang, Yao Wang, Shaojie Tang,
• Abstract要約: 意思決定シナリオは、高次元かつ文脈情報に富んだデータを含むことが多い。 これらの課題に対処するために,一般化線形テンソルバンド幅アルゴリズムを提案する。 私たちのフレームワークは、より良いバウンダリを提供するだけでなく、より広範な適用性も提供しています。
• 参考スコア（独自算出の注目度）: 16.06016915165857
• License:
• Abstract: Modern decision-making scenarios often involve data that is both high-dimensional and rich in higher-order contextual information, where existing bandits algorithms fail to generate effective policies. In response, we propose in this paper a generalized linear tensor bandits algorithm designed to tackle these challenges by incorporating low-dimensional tensor structures, and further derive a unified analytical framework of the proposed algorithm. Specifically, our framework introduces a convex optimization approach with the weakly decomposable regularizers, enabling it to not only achieve better results based on the tensor low-rankness structure assumption but also extend to cases involving other low-dimensional structures such as slice sparsity and low-rankness. The theoretical analysis shows that, compared to existing low-rankness tensor result, our framework not only provides better bounds but also has a broader applicability. Notably, in the special case of degenerating to low-rank matrices, our bounds still offer advantages in certain scenarios.
• Abstract（参考訳）: 現代の意思決定シナリオは、しばしば高次元かつ高階の文脈情報に富んだデータを含む。 そこで本論文では,低次元テンソル構造を組み込んだ一般化線形テンソルバンドレットアルゴリズムを提案する。 具体的には、弱分解性正規化器を用いた凸最適化手法を導入し、テンソル低ランク構造仮定に基づいてより良い結果が得られるだけでなく、スライスススポーザリティやローランクネスなどの他の低次元構造を含む場合にも適用できる。 理論解析により,既存の低ランクテンソル結果と比較して,我々のフレームワークはより優れたバウンダリを提供するだけでなく,より広い適用性を持つことが示された。 特に、低ランク行列に縮退する特別な場合において、我々の境界は特定のシナリオにおいてまだ有利である。

関連論文リスト

• Cons-training tensor networks [2.8834278113855896]
  テンソルネットワークと呼ばれる新しいファミリーを導入する。 textitconstrained matrix product state (MPS) これらのネットワークは、不等式を含むちょうど任意の離散線型制約をスパースブロック構造に含んでいる。 これらのネットワークは、特に、可能空間上で厳密にサポートされた分散をモデル化するために調整されている。
  論文  参考訳（メタデータ） (2024-05-15T00:13:18Z)
• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• Efficient Generalized Low-Rank Tensor Contextual Bandits [14.016197224603433]
  本稿では,3つの特徴ベクトルから行動が生成され,テンソルで表現できる,低ランクな文脈帯域モデルを提案する。 探索と利用のトレードオフを効果的に実現するために,我々は「一般化低ランク部分空間を再定義する」という新しいアルゴリズムを導入する(G-LowTESTR)。 厳密な理論解析により、G-LowTESTRの後悔境界はベクトル化や行列化の場合よりも優れていることが示されている。
  論文  参考訳（メタデータ） (2023-11-03T08:12:05Z)
• Random Matrix Analysis to Balance between Supervised and Unsupervised Learning under the Low Density Separation Assumption [9.620832983703863]
  線形分類モデルであるQLDSを導入し、低密度分離仮定を2次マージンで実装する。 提案アルゴリズムの特定のケースは、教師付きケースにおける最小二乗支援ベクトルマシン、完全に教師なしシステマにおけるスペクトルクラスタリング、および半教師付きグラフベースアプローチのクラスであることを示す。
  論文  参考訳（メタデータ） (2023-10-20T11:46:12Z)
• Adapting to Misspecification in Contextual Bandits [82.55565343668246]
  我々は、$varepsilon$-misspecified contextual banditsに対して、新しいオラクル効率アルゴリズム群を導入する。 我々は、未知の不特定値に対して最適な$O(dsqrtT + varepsilonsqrtdT)$ regret boundを達成する最初のアルゴリズムを得る。
  論文  参考訳（メタデータ） (2021-07-12T21:30:41Z)
• Efficient Methods for Structured Nonconvex-Nonconcave Min-Max Optimization [98.0595480384208]
  定常点に収束する一般化外空間を提案する。 このアルゴリズムは一般の$p$ノルド空間だけでなく、一般の$p$次元ベクトル空間にも適用される。
  論文  参考訳（メタデータ） (2020-10-31T21:35:42Z)
• Learning Fast Approximations of Sparse Nonlinear Regression [50.00693981886832]
  本研究では,Threshold Learned Iterative Shrinkage Algorithming (NLISTA)を導入することでギャップを埋める。 合成データを用いた実験は理論結果と相関し,その手法が最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-26T11:31:08Z)
• An Asymptotically Optimal Primal-Dual Incremental Algorithm for Contextual Linear Bandits [129.1029690825929]
  複数の次元に沿った最先端技術を改善する新しいアルゴリズムを提案する。 非文脈線形帯域の特別な場合において、学習地平線に対して最小限の最適性を確立する。
  論文  参考訳（メタデータ） (2020-10-23T09:12:47Z)
• A General Framework for Consistent Structured Prediction with Implicit Loss Embeddings [113.15416137912399]
  構造化予測のための理論的・アルゴリズム的な枠組みを提案し,解析する。 問題に対して適切な幾何を暗黙的に定義する、損失関数の大規模なクラスについて検討する。 出力空間を無限の濃度で扱うとき、推定子の適切な暗黙の定式化が重要であることが示される。
  論文  参考訳（メタデータ） (2020-02-13T10:30:04Z)
• Recovery Bounds on Class-Based Optimal Transport: A Sum-of-Norms Regularization Framework [21.037720934987483]
  本稿では,和ノルム正規化項を持つ凸OTプログラムを提案し,幾何学的仮定の下で基礎となるクラス構造を確実に復元する。 我々は,強い凸性がない場合でも,最適点の特異性について新たな議論を行う。 実験の結果,新しい正則化器はデータ中のクラス構造をよりよく保存するだけでなく,データ形状にさらなるロバスト性をもたらすことがわかった。
  論文  参考訳（メタデータ） (2019-03-09T18:54:21Z)

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。