論文の概要: Meta-Frieren: Beyond Single Level Online Learning
- arxiv url: http://arxiv.org/abs/2611.07169v1
- Date: Wed, 04 Nov 2026 21:52:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.458738
- Title: Meta-Frieren: Beyond Single Level Online Learning
- Title（参考訳）: Meta-Frieren: シングルレベルのオンライン学習を超えて
- Abstract要約: 累積報酬を最大化するフレームワークであるMeta-Frierenを紹介する。
ベイジアンおよび頻繁な仮定の下で,メタフリーレンをGP-UCBでインスタンス化する。
私たちの知る限りでは、Feel-Good Thompson Sampling にとって最初の高確率な後悔が導かれる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We study a two-stage online optimization problem: at each round, a meta-learner first selects an agent-environment pair, then the chosen agent interacts with the environment, and receives a reward. We introduce Meta-Frieren, a general framework for maximizing cumulative reward in this setting. Our analysis yields a simple UCB-style criterion for meta-level selection and recovers prior guarantees as special cases while extending them to broader settings. We instantiate Meta-Frieren with GP-UCB under Bayesian and frequentist assumptions. We also derive, to our knowledge, the first high-probability regret bound for Feel-Good Thompson Sampling, specialize it to finite and parametric function classes, and integrate it into Meta-Frieren. Experiments support our theoretical results and demonstrate that Meta-Frieren can be successfully applied to hyperparameter optimization across multiple model classes.
- Abstract（参考訳）: 本稿では,2段階のオンライン最適化問題について検討する。各ラウンドにおいて,まず,メタラーナーがエージェント-環境ペアを選択し,選択したエージェントが環境と対話し,報酬を受け取る。
本稿では,この設定における累積報酬を最大化するための一般的なフレームワークであるMeta-Frierenを紹介する。
メタレベルの選択のための単純な UCB スタイルの基準が得られ、より広範な設定に拡張しながら、特別なケースとして事前保証を回復する。
ベイジアンおよび頻繁な仮定の下で,メタフリーレンをGP-UCBでインスタンス化する。
また、我々の知る限り、Feel-Good Thompson Smpling に対する最初の高確率な後悔境界を導いており、それを有限かつパラメトリックな関数クラスに特化し、メタ・フリーレンに統合する。
実験は我々の理論結果を支持し、メタ・フリーレンが複数のモデルクラスにまたがるハイパーパラメータ最適化にうまく適用できることを実証する。
関連論文リスト
- Simple Meta-Learning for HPO and CASH Using Performance Representations [2.8056157618111186]
本研究では,従来のタスクにまたがって,各構成をその履歴的パフォーマンスとして記述するメタ学習表現について検討する。
我々は,この表現を,多様性に基づくレコメンデータシステムの再評価基準であるMMR(Maximal marginal Relevance)に適用する。
TabArenaベンチマークで複数のモデルを選択して最適化する場合、線形ベイズリッジ回帰モデルと組み合わせたパフォーマンスベースの表現は、専用のメタラーニングベースラインを上回っます。
論文 参考訳（メタデータ） (2026-11-05T08:45:04Z) - PSEO: Optimizing Post-hoc Stacking Ensemble Through Hyperparameter Tuning [13.416415080328195]
本稿では,ポスト・ホック・スタックング・アンサンブル最適化のためのフレームワークであるPSEOを提案する。
sysは、最近のAutoMLシステムにおけるポストホックな設計を含む16の手法の中で、最も平均的なテストランク(2.96)を達成している。
論文 参考訳（メタデータ） (2025-08-07T08:25:44Z) - Direct Regret Optimization in Bayesian Optimization [10.705151736050967]
本稿では,最適モデルと非明視的獲得を共同で学習する,新たな直訳最適化手法を提案する。
提案手法はBOベースラインを一貫して上回り,より単純な後悔を減らし,より堅牢な探索を示す。
論文 参考訳（メタデータ） (2025-07-09T04:09:58Z) - Meta-Learning Adversarial Bandit Algorithms [55.72892209124227]
我々は,バンディットフィードバックを用いたオンラインメタラーニングについて研究する。
我々は自己協和障壁正規化器を用いてオンラインミラー降下一般化(OMD)をチューニングすることを学ぶ。
論文 参考訳（メタデータ） (2023-07-05T13:52:10Z) - Designing Biological Sequences via Meta-Reinforcement Learning and
Bayesian Optimization [68.28697120944116]
メタ強化学習を用いて自己回帰生成モデルを訓練し、選択のための有望なシーケンスを提案する。
我々は,データのサブセットのサンプリングによって誘導されるMDPの分布に対する最適ポリシーを求める問題として,この問題を提起する。
このようなアンサンブルに対するメタラーニングは,報酬の過小評価に対して頑健であり,競争的な結果が得られることを示す。
論文 参考訳（メタデータ） (2022-09-13T18:37:27Z) - Incremental Ensemble Gaussian Processes [53.3291389385672]
本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。
各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。
新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
論文 参考訳（メタデータ） (2021-10-13T15:11:25Z) - Meta-Learning with Neural Tangent Kernels [58.06951624702086]
メタモデルのニューラルタンジェントカーネル(NTK)によって誘導される再生カーネルヒルベルト空間(RKHS)における最初のメタラーニングパラダイムを提案する。
このパラダイムでは,MAMLフレームワークのように,最適な反復内ループ適応を必要としない2つのメタ学習アルゴリズムを導入する。
本研究の目的は,1) 適応をRKHSの高速適応正則化器に置き換えること,2) NTK理論に基づいて解析的に適応を解くことである。
論文 参考訳（メタデータ） (2021-02-07T20:53:23Z)
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。