在线凸优化与无遗憾学习：算法、保证与应用
机器学习
2018-04-18 v1 信息论
math.IT
最优化与控制
机器学习
摘要
受“大数据”范式热情的推动，在线优化的数学与算法工具已在数据探索与利用之间权衡起主导作用的问题中得到了广泛使用。这种权衡对信号处理的若干分支与应用尤为重要，例如数据挖掘、统计推断、多媒体索引和无线通信（仅举数例）。有鉴于此，这篇教程式论文旨在温和地介绍在线优化与学习算法，这些算法在事后看来是渐近最优的——即它们接近具有无限计算能力和完全未来知识的虚拟算法的性能，这一性质被称为无遗憾。我们特别着力于辨识算法的理论性能保证，并建立其与经典优化范式（静态与随机）的联系。为便于理解这一工具箱，我们在教程中提供了从度量学习到无线资源分配问题等多个示例。
引用
@article{arxiv.1804.04529,
title = {Online convex optimization and no-regret learning: Algorithms, guarantees and applications},
author = {E. Veronica Belmega and Panayotis Mertikopoulos and Romain Negrel and Luca Sanguinetti},
journal= {arXiv preprint arXiv:1804.04529},
year = {2018}
}
备注
34 pages, 15 figures