凸且光滑函数的自适应遗憾界
机器学习
2019-06-18 v3 机器学习
摘要
我们研究变化环境中的在线凸优化，并采用自适应遗憾（adaptive regret）作为性能度量。目标是在每个区间上均获得较小遗憾，从而使得比较器可随时间变化。与以往仅利用凸性条件的工作不同，本文进一步利用光滑性来改善自适应遗憾。为此，我们针对凸且光滑函数开发了新颖的自适应算法，并建立了任意区间上依赖问题的遗憾界。我们的遗憾界在最坏情况下与现有结果相当，而在比较器损失较小时变得显著更紧。
引用
@article{arxiv.1904.11681,
title = {Adaptive Regret of Convex and Smooth Functions},
author = {Lijun Zhang and Tie-Yan Liu and Zhi-Hua Zhou},
journal= {arXiv preprint arXiv:1904.11681},
year = {2019}
}