在线学习：超越遗憾
机器学习
2011-03-25 v2 计算机科学与博弈论
机器学习
摘要
我们研究了一类广泛问题的在线可学习性，将(Rakhlin, Sridharan, Tewari, 2010)的结果推广到远超外部遗憾的一般性能度量概念。我们的框架同时涵盖了诸如内部遗憾和一般Phi-遗憾、具有非加性全局成本函数的学习、Blackwell的可逼近性、预测者的校准、自适应遗憾等众所周知的概念。我们表明，所有这些情况下的可学习性都源于对相同三个量的控制：一个鞅收敛项、一个描述如果未来已知则能表现良好的项，以及(Rakhlin, Sridharan, Tewari, 2010)中研究的序列Rademacher复杂度的推广。由于我们直接研究问题的复杂度而非关注高效算法，我们能够改进并扩展许多先前通过算法构造推导出的已知结果。
引用
@article{arxiv.1011.3168,
title = {Online Learning: Beyond Regret},
author = {Alexander Rakhlin and Karthik Sridharan and Ambuj Tewari},
journal= {arXiv preprint arXiv:1011.3168},
year = {2011}
}