变化环境中的决策：鲁棒性、查询式学习与差分隐私
机器学习
2025-01-28 v1 人工智能
信息论
math.IT
统计理论
机器学习
统计理论
摘要
我们研究了在环境随时间变化且受给定约束限制下的交互式决策问题。我们提出了一种框架，称为混合决策搭配结构化观察（hybrid Decision Making with Structured Observations, hybrid DMSO），该框架在决策的随机性与对抗性设置之间提供了插值。在此框架下，可以在统一的框架下分析局部差分隐私（LDP）决策、查询式学习（特别是 SQ 学习），以及鲁棒且平滑的决策，基于 DEC（Decision-Estimation Coefficient）的各种变体推导上界和下界。我们进一步建立了 DEC 行为、SQ 维度、局部极小误差复杂度、可学习性以及联合差分隐私之间的强烈联系。为展示该框架的强大功能，我们提供了关于受 LDP 约束下的情境 bandit 的新结果。
引用
@article{arxiv.2501.14928,
title = {Decision Making in Changing Environments: Robustness, Query-Based Learning, and Differential Privacy},
author = {Fan Chen and Alexander Rakhlin},
journal= {arXiv preprint arXiv:2501.14928},
year = {2025}
}