协调式在线学习及其在用户偏好学习中的应用
机器学习
2017-02-10 v1 机器学习
摘要
我们研究了一种在线多任务学习设定，其中相关任务的实例顺序到达，并由特定任务的在线学习器处理。我们考虑一种算法框架，通过一组凸约束来建模这些任务之间的关系。为利用此关系，我们设计了一种新颖的算法——COOL——用于协调各个在线学习器：我们的关键思想是通过向凸集的加权投影来协调它们的参数。通过调整投影的速率和精度，COOL算法允许在协调收益与所需计算/通信之间进行权衡。我们推导了方法的后悔界，并分析了这些权衡因素如何影响它们。我们将结果应用于Airbnb市场上的用户偏好学习，旨在激励用户探索评价不足的公寓。
引用
@article{arxiv.1702.02849,
title = {Coordinated Online Learning With Applications to Learning User Preferences},
author = {Christoph Hirnschall and Adish Singla and Sebastian Tschiatschek and Andreas Krause},
journal= {arXiv preprint arXiv:1702.02849},
year = {2017}
}