論文の概要: Transductive and Learning-Augmented Online Regression
- arxiv url: http://arxiv.org/abs/2510.03917v1
- Date: Sat, 04 Oct 2025 19:41:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-07 16:52:59.342284
- Title: Transductive and Learning-Augmented Online Regression
- Title（参考訳）: Transductive and Learning-Augmented Online Regression
- Authors: Vinod Raman, Shenghao Xie, Samson Zhou,
- Abstract要約: 学習者が将来の事例についての予測にアクセスできる場合のオンライン回帰について検討する。
極端な場合、トランスダクティブオンライン学習(transductive online learning)と呼ばれ、ゲームが始まる前に、サンプルのシーケンスが学習者に明らかにされる。
我々は,最小限の後悔が最悪の後悔と一致し,予測品質を円滑に向上するオンライン学習者を開発し,将来の事例予測が正確である場合に,最悪の後悔を著しく上回ります。
- 参考スコア（独自算出の注目度）: 26.376512210026988
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Motivated by the predictable nature of real-life in data streams, we study online regression when the learner has access to predictions about future examples. In the extreme case, called transductive online learning, the sequence of examples is revealed to the learner before the game begins. For this setting, we fully characterize the minimax expected regret in terms of the fat-shattering dimension, establishing a separation between transductive online regression and (adversarial) online regression. Then, we generalize this setting by allowing for noisy or \emph{imperfect} predictions about future examples. Using our results for the transductive online setting, we develop an online learner whose minimax expected regret matches the worst-case regret, improves smoothly with prediction quality, and significantly outperforms the worst-case regret when future example predictions are precise, achieving performance similar to the transductive online learner. This enables learnability for previously unlearnable classes under predictable examples, aligning with the broader learning-augmented model paradigm.
- Abstract（参考訳）: データストリームにおける実生活の予測可能な性質に触発され、学習者が将来の事例についての予測にアクセスできる場合にオンライン回帰を研究する。
極端な場合、トランスダクティブオンライン学習(transductive online learning)と呼ばれ、ゲームが始まる前に、サンプルのシーケンスが学習者に明らかにされる。
この設定では、脂肪散乱次元の観点から最小限の後悔が完全に特徴づけられ、トランスダクティブなオンライン回帰と(逆)オンライン回帰の分離が確立される。
次に、この設定を一般化し、将来の例についてノイズや「emph{imperfect}」の予測を可能にする。
この結果から, オンライン学習者に対して, 最小限の後悔が最悪の後悔と一致し, 予測品質を円滑に向上し, 将来の事例予測が正確である場合に, 最悪の後悔を著しく上回り, トランスダクティブオンライン学習者と同様のパフォーマンスを達成できるオンライン学習者を開発した。
これにより、予測可能な例の下で、事前の学習不可能なクラスを学習可能とし、より広範な学習強化モデルパラダイムと整合することが可能になる。
関連論文リスト
- Online Classification with Predictions [20.291598040396302]
我々は,学習者が将来の事例に関する予測にアクセスできる場合に,オンライン分類を研究する。
学習者が、将来の例が容易に予測可能なデータを見ることが常に保証されている場合、オンライン学習は、トランスダクティブなオンライン学習と同じくらい簡単であることを示す。
論文 参考訳（メタデータ） (2024-05-22T23:45:33Z) - Random Representations Outperform Online Continually Learned Representations [68.42776779425978]
既存のオンライン学習深層ネットワークは、単純な事前定義されたランダム変換に比べて劣った表現を生成することを示す。
我々の手法はRanDumbと呼ばれ、あらゆるオンライン連続学習ベンチマークにおいて、最先端の学習表現を著しく上回っている。
本研究は, 表現学習の大きな限界, 特に低経験, オンライン連続学習のシナリオについて明らかにした。
論文 参考訳（メタデータ） (2024-02-13T22:07:29Z) - Discounted Adaptive Online Learning: Towards Better Regularization [5.5899168074961265]
敵対的非定常環境におけるオンライン学習について検討する。
適応的アルゴリズム(例:Optimal)を提案し,適応的でないベースラインを広く改良する。
また、(Gibbs and Candes, 2021)スタイルのオンライン共形予測問題についても検討する。
論文 参考訳（メタデータ） (2024-02-05T04:29:39Z) - EANet: Expert Attention Network for Online Trajectory Prediction [5.600280639034753]
Expert Attention Networkは、軌道予測のための完全なオンライン学習フレームワークである。
我々は,ネットワーク層の深さの異なる重みを調整し,勾配問題によるモデル更新が遅いことを回避し,専門家の注意を喚起する。
さらに,シナリオ変化に敏感な短期動作トレンドカーネル関数を提案する。
論文 参考訳（メタデータ） (2023-09-11T07:09:40Z) - Learning Sample Difficulty from Pre-trained Models for Reliable
Prediction [55.77136037458667]
本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。
我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
論文 参考訳（メタデータ） (2023-04-20T07:29:23Z) - Near-optimal Offline Reinforcement Learning with Linear Representation:
Leveraging Variance Information with Pessimism [65.46524775457928]
オフライン強化学習は、オフライン/歴史的データを活用して、シーケンシャルな意思決定戦略を最適化しようとしている。
線形モデル表現を用いたオフライン強化学習の統計的限界について検討する。
論文 参考訳（メタデータ） (2022-03-11T09:00:12Z) - Reducing Representation Drift in Online Continual Learning [87.71558506591937]
私たちは、エージェントが制限されたメモリと計算で変化する分布から学ぶ必要があるオンライン連続学習パラダイムを研究します。
この作業では、入ってくるデータストリームに未観測のクラスサンプルが導入されることにより、事前に観測されたデータの表現の変化に焦点を合わせます。
論文 参考訳（メタデータ） (2021-04-11T15:19:30Z) - New Perspectives on the Use of Online Learning for Congestion Level
Prediction over Traffic Data [6.664111208927475]
本研究は時系列データによる分類に焦点を当てる。
非定常現象によって時系列が生成されると、予測されるクラスと系列に関連するパターンは時間とともに進化する。
オンライン学習方法は、時間とともに到着する新しいデータサンプルから漸進的に学習し、データストリームに沿った最終的な変更に対応する。
論文 参考訳（メタデータ） (2020-03-27T09:44:57Z)
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。