論文の概要: Constrained Gradient Equilibrium: Approachability under Locally Constrained Adversaries

• arxiv url: http://arxiv.org/abs/2610.33985v1
• Date: Sun, 25 Oct 2026 01:53:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.513116
• Title: Constrained Gradient Equilibrium: Approachability under Locally Constrained Adversaries
• Title（参考訳）: 制約付きグラディエント平衡--局所制約付き逆数の下でのアプローチ可能性-
• Abstract要約: グラディエント均衡(GEQ)は、学習者の軌道に沿った平均的な勾配が消えることを必要とするオンライン学習の最近のフレームワークである。 まず、制約付きGEQは、単純かつゆっくりと変化する制約の下でも不可能であり、敵に局所的な時間構造を与える動機となることを示す。 次に、局所的に制約された敵の下でCGEQのアプローチ可能性フレームワークを開発し、古典的なブラックウェルのアプローチ可能性の精神において必要かつ十分な特徴を得る。
• 参考スコア（独自算出の注目度）: 23.28853682389334
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gradient equilibrium (GEQ) is a recent framework in online learning that requires the time-averaged gradients along the learner's trajectory to vanish. We study GEQ when the learner is constrained and ask when such an equilibrium remains achievable in an adversarial environment. We first show that constrained GEQ (CGEQ) can be impossible even under simple and slowly varying constraints, motivating imposing local temporal structure on the adversary. We then develop an approachability framework for CGEQ under locally constrained adversaries, and obtain necessary and sufficient characterizations in the spirit of classical Blackwell approachability. Beyond these theoretical characterizations, we provide an algorithmic principle that converts window-wise no-regret learners into CGEQ algorithms under a local feasibility condition with margin. Experiments on synthetic and real data demonstrate that the resulting algorithms perform strongly in both achieving GEQ and respecting the constraints.
• Abstract（参考訳）: グラディエント均衡(GEQ)はオンライン学習における最近のフレームワークであり、学習者の軌道に沿った平均的な勾配が消える必要がある。 本研究では,学習者が制約を受けるとGEQを学習し,そのような平衡が敵の環境で達成可能かどうかを問う。 まず、制約付きGEQ(CGEQ)は、単純かつゆっくりと変化する制約の下でも不可能であることを示す。 次に、局所的に制約された敵の下でCGEQのアプローチ可能性フレームワークを開発し、古典的なブラックウェルのアプローチ可能性の精神において必要かつ十分な特徴を得る。 これらの理論的特徴の他に,ウィンドウワイズなし学習者からCGEQアルゴリズムへ変換するアルゴリズム原理を,局所的な実現可能性条件下で提案する。 合成データと実データの実験により、得られたアルゴリズムはGEQの達成と制約の尊重の両方に強く貢献することを示した。

関連論文リスト

• Scalable Causal Imitation Learning [48.93769483870838]
  模倣学習は、専門家のデモンストレーションを使用して、潜在報酬信号で未知の環境でポリシーを学習することを可能にする。 模擬者の観察と専門家の観察が一致せず、観測されていない共同設立者が専門家のデモンストレーションに出席するのに苦労する。 本稿では,2つの因果模倣学習アルゴリズムであるCausal Soft Q Imitation Learning (SQIL)とCausal Inverse Soft-Q Learning (IQ-Learn)を紹介する。
  論文  参考訳（メタデータ） (2026-07-18T23:33:11Z)
• Learning from Local Walks on Dynamic Graphs with Bandit Feedback [7.465238700168576]
  動的グラフ上のマルチアームバンディットについて検討し、腕は時間変化のあるエッジを持つネットワークの頂点に対応する。 本研究では,スライディング・ウインドウ・ミキシングに基づくプロセスに依存しない構造条件を特定し,探索と航行の両面において,グラフの内在的な歩行が安定であることを保証する。
  論文  参考訳（メタデータ） (2026-07-12T04:56:02Z)
• Blackwell Approachability and Gradient Equilibrium are Equivalent [58.37123202429228]
  グラディエント平衡(GEQ)は,ブラックボックスオラクルへのクエリを用いて常に解けるという意味で,ブラックウェルのアプローチ可能性と同値であることを示す。 我々の削減は効率的であり、楽観主義や強い適応性といった洗練された保証を、後悔の最小化からGEQへの移行に利用することができる。
  論文  参考訳（メタデータ） (2026-06-25T17:29:48Z)
• S$^3$GNN: Efficient Global Mixing and Local Message Passing for Long-Range Graph Learning [56.04227780048336]
  メッセージパッシングニューラルネットワーク(MPNN)は、長距離依存関係をキャプチャする際の情報ボトルネックに悩まされることが多い。 我々は、省略されたコンポーネントを軽量に再導入することでオーバーカッシング(OSQ)を緩和するS$3$GNNを提案する。 実験の結果,S$3$GNNは最大50%のパラメータでマグニチュード誤差を低減できることがわかった。
  論文  参考訳（メタデータ） (2026-05-22T10:26:41Z)
• Adaptive Neighborhood-Constrained Q Learning for Offline Reinforcement Learning [52.03884701766989]
  オフライン強化学習(RL)アルゴリズムは、通常、アクション選択に制約を課す。 本稿では,Bellmanターゲットにおける行動選択を,データセットアクションの近傍の結合に制限する新しい地区制約を提案する。 我々は,この制約を満たす目標動作を用いてQ学習を行うための,単純で効果的なアルゴリズムであるAdaptive Neighborhood-Constrained Q Learning(ANQ)を開発した。
  論文  参考訳（メタデータ） (2025-11-04T13:42:05Z)
• Strategic Code: A Unified Spatio-Temporal Framework for Quantum Error-Correction [0.0]
  QECC(Quantum error-correcting code)は、フォールトトレラントな量子情報処理の中心的な要素である。 動的QECCのパラダイムは、時間的にも空間的にも論理情報をしっかりとエンコードできることを示している。 動的Qがフォールトトレランスをいかに達成するかという大まかな理論が欠落している。
  論文  参考訳（メタデータ） (2024-05-27T18:03:00Z)
• Beyond the Edge of Stability via Two-step Gradient Updates [49.03389279816152]
  Gradient Descent(GD)は、現代の機械学習の強力な仕事場である。 GDが局所最小値を見つける能力は、リプシッツ勾配の損失に対してのみ保証される。 この研究は、2段階の勾配更新の分析を通じて、単純だが代表的でありながら、学習上の問題に焦点をあてる。
  論文  参考訳（メタデータ） (2022-06-08T21:32:50Z)
• Exact Asymptotics for Linear Quadratic Adaptive Control [6.287145010885044]
  最も単純な非帯域強化学習問題である線形二次制御(LQAC)について検討する。 ステップワイズ更新LQACアルゴリズムの残差,推定誤差,予測誤差の式を導出する。 安定系と不安定系のシミュレーションにおいて、我々の理論はアルゴリズムの有限サンプル挙動を著しくよく記述している。
  論文  参考訳（メタデータ） (2020-11-02T22:43:30Z)

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。