广义可混合性、恒定遗憾与贝叶斯更新
机器学习
2014-03-12 v1 机器学习
摘要
损失的可混合性（mixability）已知可刻画在使用 Vovk 聚合算法的专家建议预测博弈中何时可实现恒定遗憾界。我们通过凸分析提供了一种对可混合性的新解释，突出了 Kullback-Leibler 散度在其定义中的作用。这自然地推广为我们所称的 -可混合性，其中 Bregman 散度 取代了 KL 散度。我们证明了 -可混合的损失通过一种类似于镜像下降的广义聚合算法也能享受恒定遗憾界。
引用
@article{arxiv.1403.2433,
title = {Generalised Mixability, Constant Regret, and Bayesian Updating},
author = {Mark D. Reid and Rafael M. Frongillo and Robert C. Williamson},
journal= {arXiv preprint arXiv:1403.2433},
year = {2014}
}
备注
12 pages