Fugu-MT 論文翻訳(概要): On prediction from expert advice with more than five experts

論文の概要: On prediction from expert advice with more than five experts

arxiv url: http://arxiv.org/abs/2610.05186v1
Date: Sun, 04 Oct 2026 12:49:20 GMT
ステータス: 情報取得中
システム内更新日: 2026-10-06 21:16:51.308954
Title: On prediction from expert advice with more than five experts
Title（参考訳）: 5人以上の専門家による専門家アドバイスからの予測について
Abstract要約: 我々は,6人以上の専門家による専門家アドバイス問題に対する予測において,一階級の敵戦略がグローバルに最適でないことを証明した。証明は、ある専門家が他の専門家よりはるかに先を行くときに、先行した順序修正を確立することに基づいている。
参考スコア（独自算出の注目度）: 1.6006586061577808
License:
Abstract: We prove that no single rank ordered adversary strategy is globally optimal for the prediction with expert advice problem with six or more experts, in both the geometric stopping and finite time horizon settings. The proof is based on establishing a leading order correction when one expert moves far ahead of the others. This allows us to connect optimal strategies between $n$ and $j<n$ experts and utilize recent results on the exact optimality set for the five expert problem.
Abstract（参考訳）: 幾何的停止と有限時間地平線設定の両方において、6人以上の専門家による専門家アドバイス問題による予測において、一階次敵戦略がグローバルに最適でないことを証明した。証明は、ある専門家が他の専門家よりはるかに先を行くときに、先行した順序修正を確立することに基づいている。これにより、$n$ と $j<n$ の専門家の間で最適な戦略を結び付け、5つの専門家問題の正確な最適性セットに関する最近の結果を利用することができる。

関連論文リスト

MoE Lens -- An Expert Is All You Need [0.09444932939944471]
エキスパートの混合(MoE)モデルは、スパース専門家のアクティベーションを通じてパラメータ効率のスケーリングを可能にする。本稿では,2つの相補的アプローチを用いて,MoEsの専門家専門化の体系的分析を行う。
論文参考訳（メタデータ） (2026-03-06T01:35:28Z)
Online Algorithm for Aggregating Experts' Predictions with Unbounded Quadratic Loss [72.32459441619388]
本稿では,損失の上限に関する事前知識を必要としない専門家予測を集約するアルゴリズムを提案する。このアルゴリズムは、専門家の損失の指数的再考に基づいている。
論文参考訳（メタデータ） (2025-01-11T10:52:59Z)
Inverse Reinforcement Learning with Sub-optimal Experts [56.553106680769474]
与えられた専門家の集合と互換性のある報酬関数のクラスの理論的性質について検討する。以上の結果から,複数の準最適専門家の存在が,相反する報酬の集合を著しく減少させる可能性が示唆された。我々は,最適なエージェントの1つに十分近い準最適専門家のパフォーマンスレベルが最適である場合に,最小限の最適化を行う一様サンプリングアルゴリズムを解析する。
論文参考訳（メタデータ） (2024-01-08T12:39:25Z)
Active Ranking of Experts Based on their Performances in Many Tasks [72.96112117037465]
我々は、dタスクのパフォーマンスに基づいて、n名のエキスパートをランク付けする問題を考察する。我々は,各専門家のペアに対して,各タスクにおいて他方よりも優れているという,単調な仮定を定めている。
論文参考訳（メタデータ） (2023-06-05T06:55:39Z)
No-Regret Online Prediction with Strategic Experts [16.54912614895861]
オンラインバイナリ予測の一般化をエキスパートアドバイスフレームワークを用いて研究し、各ラウンドで、学習者は、Kドルの専門家のプールからmgeq 1ドルの専門家を選ぶことができる。我々は、専門家が戦略的に行動し、彼らの信念を誤報することでアルゴリズムの予測への影響を最大化することを目的とした設定に焦点を当てる。目標は,次の2つの要件を満たすアルゴリズムを設計することです。 1) $textitIncentive-compatible$: 専門家に信念を真実に報告させるインセンティブ,2) $textitNo-regret$: Achieve。
論文参考訳（メタデータ） (2023-05-24T16:43:21Z)
Streaming Algorithms for Learning with Experts: Deterministic Versus Robust [62.98860182111096]
エキスパート問題を伴うオンライン学習では、アルゴリズムは、T$day(または時間)ごとに結果を予測する必要がある。目標は最小限のコストで予測を行うことだ。最良専門家が$M$の誤りを犯したとき、後悔する$R$を達成するような決定論的アルゴリズムに対して、$widetildeOmegaleft(fracnMRTright)$の空間下界を示す。
論文参考訳（メタデータ） (2023-03-03T04:39:53Z)
Optimal Tracking in Prediction with Expert Advice [0.0]
専門家のアドバイス設定を用いて予測を検証し、専門家の集合が生み出す決定を組み合わせて意思決定を行うことを目的とする。我々は、専門家のアドバイス設定による予測の下で、最小限の動的後悔を達成する。我々のアルゴリズムは、このような普遍的に最適で適応的で真にオンラインの保証を、事前の知識なしで生成した最初のアルゴリズムです。
論文参考訳（メタデータ） (2022-08-07T12:29:54Z)
Online Prediction With History-Dependent Experts: The General Case [1.52292571922932]
本稿では,オンライン・機械学習の古典的な例である,オンライン・セッティングにおけるエキスパート・アドバイスによるバイナリ・シーケンスの予測問題について検討する。我々は、バイナリシーケンスを株価の価格履歴と解釈し、予測器を投資家とみなし、その問題を株価予測問題に変換する。
論文参考訳（メタデータ） (2020-07-31T19:40:20Z)
Malicious Experts versus the multiplicative weights algorithm in online prediction [85.62472761361107]
2人の専門家と1人の予測者による予測問題を考える。専門家の一人が正直で、各ラウンドで確率$mu$で正しい予測をしていると仮定する。もう一つは悪意のあるもので、各ラウンドで真の結果を知り、予測者の損失を最大化するために予測を行う。
論文参考訳（メタデータ） (2020-03-18T20:12:08Z)
Toward Optimal Adversarial Policies in the Multiplicative Learning System with a Malicious Expert [87.12201611818698]
専門家のアドバイスを組み合わせて真の結果を予測する学習システムについて考察する。専門家の一人が悪意があり、システムに最大損失を課すことを目指していると推測されている。誤予測を常に報告する単純な欲求ポリシーは、近似比が1+O(sqrtfracln NN)$で最適であることを示す。悪意のある専門家がその判断を適応的に行うことができるオンライン環境では、最適のオンラインポリシーを$O(N3)$で動的プログラムを解くことで効率的に計算できることが示される。
論文参考訳（メタデータ） (2020-01-02T18:04:46Z)

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。