Fugu-MT 論文翻訳(概要): Online Convex Optimization with Switching Cost with Only One Single Gradient Evaluation

論文の概要: Online Convex Optimization with Switching Cost with Only One Single Gradient Evaluation

arxiv url: http://arxiv.org/abs/2507.04133v1
Date: Sat, 05 Jul 2025 19:08:11 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-08 15:46:35.033373
Title: Online Convex Optimization with Switching Cost with Only One Single Gradient Evaluation
Title（参考訳）: 単一勾配評価によるスイッチングコストを考慮したオンライン凸最適化
Authors: Harsh Shah, Purna Chandrasekhar, Rahul Vaze,
Abstract要約: スイッチングコストが線形である場合には、フラガル設定に対して最適順序の競合比を持つオンラインアルゴリズムを導出する。勾配情報がノイズが多い場合には、競合比が2次的に大きくなるオンラインアルゴリズムが導出される。
参考スコア（独自算出の注目度）: 9.174655018861504
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Online convex optimization with switching cost is considered under the frugal information setting where at time $t$, before action $x_t$ is taken, only a single function evaluation and a single gradient is available at the previously chosen action $x_{t-1}$ for either the current cost function $f_t$ or the most recent cost function $f_{t-1}$. When the switching cost is linear, online algorithms with optimal order-wise competitive ratios are derived for the frugal setting. When the gradient information is noisy, an online algorithm whose competitive ratio grows quadratically with the noise magnitude is derived.
Abstract（参考訳）: 切り替えコストを伴うオンライン凸最適化は、現在のコスト関数 $f_t$ または最新のコスト関数 $f_{t-1}$ のどちらかに対して、1つの関数評価と1つの勾配のみが選択されたアクション $x_{t-1}$ で利用可能となる。スイッチングコストが線形である場合には、フラガル設定に対して最適順序の競合比を持つオンラインアルゴリズムを導出する。勾配情報がノイズが多い場合には、競合比が2次的に大きくなるオンラインアルゴリズムが導出される。

関連論文リスト

Projection-free Algorithms for Online Convex Optimization with Adversarial Constraints [10.047668792033033]
本稿では,オンライン凸最適化(OCO)フレームワークの時間的逆制約による一般化について検討する。この問題では、凸判定セットから実行可能な動作を選択した後、各ラウンドのコスト関数とともに凸制約関数を$X,$とする。我々は,一ラウンドに1回,線形プログラム(LP)ソルバに1回コールする*プロジェクションフリー*オンラインポリシーを提案する。
論文参考訳（メタデータ） (2025-01-28T13:04:32Z)
Optimal Decentralized Smoothed Online Convex Optimization [9.449153668916098]
マルチエージェントSmoothed Online Convex Optimization(SOCO)問題について検討し,通信グラフを通してN$エージェントが対話する。そこで本研究では,マルチエージェントSOCOのための,真に分散化されたアルゴリズムACORDを提案する。通信グラフが時間とともに任意かつ適応的に変化する場合でも,我々の結果は維持される。
論文参考訳（メタデータ） (2024-11-13T05:59:04Z)
Nearly Minimax Optimal Regret for Learning Linear Mixture Stochastic Shortest Path [80.60592344361073]
線形混合遷移カーネルを用いた最短経路(SSP)問題について検討する。エージェントは繰り返し環境と対話し、累積コストを最小化しながら特定の目標状態に到達する。既存の作業は、イテレーションコスト関数の厳密な下限や、最適ポリシーに対する期待長の上限を仮定することが多い。
論文参考訳（メタデータ） (2024-02-14T07:52:00Z)
Online Convex Optimization with Switching Cost and Delayed Gradients [7.903539618132858]
オンラインアルゴリズムは、前の目的関数の勾配情報のみを用いて、その動作を選択することができる。 2次切替コストのOCO問題の競合比は、少なくとも4(L + 5) + frac16(L + 5)mu$である。 2次・線形切替コストの最適競争比率は、制限情報設定において根本的に異なると結論付けている。
論文参考訳（メタデータ） (2023-10-18T11:06:06Z)
First-Order Dynamic Optimization for Streaming Convex Costs [0.0]
最適解を有界誤差で追従する手法を開発する。本アルゴリズムはコスト関数の1次微分を用いてのみ実行される。
論文参考訳（メタデータ） (2023-10-11T22:41:00Z)
Universal Online Learning with Gradient Variations: A Multi-layer Online Ensemble Approach [57.92727189589498]
本稿では,2段階の適応性を持つオンライン凸最適化手法を提案する。我々は$mathcalO(log V_T)$, $mathcalO(d log V_T)$, $hatmathcalO(sqrtV_T)$ regret bounds for strong convex, exp-concave and convex loss function。
論文参考訳（メタデータ） (2023-07-17T09:55:35Z)
Optimal Stochastic Non-smooth Non-convex Optimization through Online-to-Non-convex Conversion [56.92236659731376]
本稿では,新しい解析手法を用いて,未知の非平滑な目的を最適化するアルゴリズムを提案する。決定論的二階スムーズな目的のために、先進的な楽観的なオンライン学習技術を適用することで、新しい$O(delta0.5)All$が最適または最もよく知られた結果の回復を可能にする。
論文参考訳（メタデータ） (2023-02-07T22:09:20Z)
Smoothed Online Convex Optimization Based on Discounted-Normal-Predictor [68.17855675511602]
円滑なオンライン凸最適化(SOCO)のためのオンライン予測戦略について検討する。提案アルゴリズムは,各区間の切替コストで適応的後悔を最小限に抑えることができることを示す。
論文参考訳（メタデータ） (2022-05-02T08:48:22Z)
Adaptivity and Non-stationarity: Problem-dependent Dynamic Regret for Online Convex Optimization [70.4342220499858]
本稿では,スムーズさを生かし,問題依存量による動的後悔のT$への依存を補う新しいオンラインアルゴリズムを提案する。この結果が本質的な難易度に適応しているのは, 既往の結果よりも厳密であり, 最悪の場合, 同一レートの保護が可能であるからである。
論文参考訳（メタデータ） (2021-12-29T02:42:59Z)
Revisiting Smoothed Online Learning [70.09792747315323]
オンライン学習者がヒットコストとスイッチングコストの両方に苦しむスムーズなオンライン学習の問題を調査します。競争比を縛るために、各ラウンドで打つコストが学習者に知られていると仮定し、打つコストと切り換えコストの重み付け合計を単純に最小化する勾配アルゴリズムを調査します。
論文参考訳（メタデータ） (2021-02-13T14:15:55Z)

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。