学习以学习非凸分段 Lipschitz 函数
机器学习
2021-08-20 v1
摘要
我们分析了针对分段 Lipschitz 函数的学习算法的初始化与步长的元学习，这是一个在机器学习和算法中均有应用的非凸设定。从近期关于具有分散不连续性的损失上指数预测器（exponential forecaster）的悔界出发，我们将其推广为依赖于初始化的形式，并利用该结果提出一种实用的元学习过程，从多个在线学习任务中学习算法的初始化与步长。渐近地，我们保证跨任务的平均悔以任务相似度的自然概念来度量，该相似度衡量不同任务近最优区域之间的重叠程度。最后，我们在两个重要设定中实例化该方法及其保证：鲁棒元学习与多任务数据驱动算法设计。
引用
@article{arxiv.2108.08770,
title = {Learning-to-learn non-convex piecewise-Lipschitz functions},
author = {Maria-Florina Balcan and Mikhail Khodak and Dravyansh Sharma and Ameet Talwalkar},
journal= {arXiv preprint arXiv:2108.08770},
year = {2021}
}